Sobre o curso

Ministrante: Wasim Aluísio Prates Syed, Farmacêutico pela FCFRP-USP, doutorando em biotecnologia pelo ICB/IPT/Butantan, e divulgador científico pela UPVacina (IEARP-USP) e Projeto Halo (ONU).

Descrição do curso:

Desenvolvemos um curso para tornar o aprendizado de uma das linguagens de programação e análise de dados mais populares mais acessível, especialmente para aqueles que não têm formação em áreas de exatas, como TI e ciência da computação. Esta linguagem é amplamente utilizada por cientistas devido à sua variedade de ferramentas para análise de dados em ciências biológicas e da saúde. Com uma abordagem prática e interativa, os participantes explorarão conceitos e ferramentas para realizar análises de dados de forma simples e intuitiva. Além disso, terão acesso a um grupo de discussão para compartilhar dúvidas e ideias, criando um ambiente colaborativo e de aprendizado mútuo.

Programação e conteúdo

Os participantes terão uma aula introdutória à ciência de dados e fundamentos da manipulação de dados no R e visualização de dados com o ggplot, no ambiente do RStudio. Em seguida, os participantes terão um tempo para praticar e desenvolver as análises com 5 países de escolha, e no final deverão criar um poster com os gráficos produzidos.

Introdução ao R: Explicaremos por que o R é importante para cientistas e profissionais da saúde.
Fundamentos da Programação em R: Abordaremos conceitos como funções, pacotes, variáveis e estruturas de dados, como data frames, listas e matrizes.
Manipulação e Visualização de Dados: Exploraremos técnicas para importar, limpar, filtrar e visualizar dados usando pacotes do Tidyverse, como dplyr e ggplot2.
Análise Exploratória de Dados: Realizaremos análises exploratórias de dados, incluindo estatísticas descritivas, gráficos e interpretação de resultados. Aplicaremos os conhecimentos adquiridos em um projeto prático com dados reais de saúde, incluindo análise de vacinação e indicadores de saúde pública.

Como usar este tutorial?

Para rodar este tutorial, siga os seguintes passos:

Passo 1: Acesse o GitHub

Abra o seu navegador web e vá para o site do GitHub em https://github.com/wapsyed/cursor.

Passo 2: Baixe o projeto

No repositório do GitHub, clique no botão verde “Code”.
Selecione “Download ZIP”. Isso iniciará o download do arquivo ZIP contendo o projeto.

Passo 3: Descompacte o arquivo ZIP

Após o download ser concluído, localize o arquivo ZIP em sua pasta de downloads.
Clique com o botão direito do mouse no arquivo ZIP e selecione “Extrair tudo” ou “Descompactar”.
Escolha a pasta de destino onde deseja descompactar o arquivo e clique em “Extrair”.

Passo 4: Configure o projeto no RStudio

Abra o RStudio em seu computador.
No menu do RStudio, clique em “File” (Arquivo) e selecione “New Project” (Novo Projeto).
Escolha a opção “Existing Directory” (Diretório Existente).
Navegue até a pasta onde você descompactou o projeto.
Selecione a pasta do projeto com um clique.
Clique em “Create Project” (Criar Projeto).

Pronto! Agora você configurou o projeto do GitHub em seu RStudio e está pronto para começar a trabalhar.

Recomendações para evitar erros comuns

Para encontrar este documento com as linhas de códigos, clique no arquivo RMD “Introducao_analise_exploratoria.rmd”. Se clicar no .md, não funcionará.

Siga o tutorial todo neste documento ou crie uma copia para fazer as anotações. Não se preocupe, que modificar este arquivo aqui não mudará nada no original do site.

Ao fazer a parte prática com suas análises, faça no mesmo documento. Se estiver muito complicado, mande mensagem no grupo do Whatsapp ou envie um e-mail. A prática deve ser fácil e descomplicada.

Lembre-se de criar blocos de códigos abaixo dos blocos de códigos de exemplos do tutorial. Também, descreva os gráficos e códigos no espaço em branco, ou seja, fora do bloco de código. Isso garantirá que seu documento estará organizado e fácil de alterar.

1. Biblioteca e pacotes

Antes de rodarmos os códigos para as análises, é necessário instalar os pacotes cujos recursos, especialmente as funções, serão utilizados. Para isso, use o install.packages("pacote").

Nem sempre é necessário reinstalar os pacotes, pois isso toma tempo. Entretanto, é recomendável reinstalar os pacotes de vez em quando, para atualizar o pacote.

Observe que o código abaixo está com # antes da função. Ao rodar pela primeira vez, retire estes # e execute clicando na linha do código e apertando Ctrl + Enter. Isso executará linha por linha. Caso queira rodar todas as linhas de uma vez, use Ctrl + Shift + Enter.

options(repos = c(CRAN = "https://cran.r-project.org"))

# Baixar pacotes do CRAN para a biblioteca 
# install.packages("tidyverse")
# install.packages("skimr")
# install.packages("janitor")
# install.packages("esquisse")
# install.packages("ggthemes")
# install.packages("plotly")
# install.packages("gghighlight")
# install.packages("patchwork")
# install.packages("ggsci")
# install.packages("gapminder")
# install.packages("ggpmisc")

Após a instalação, a cada vez que você fechar o ambiente do R, você deverá chamar os pacotes da biblioteca com a função library().

Lembre-se sempre de chamar os pacotes quando você iniciar uma nova sessão!

Não se preocupe com os “erros” dos outputs ao chamar as libraries, especialmente as do tidyverse.

# Chamando os pacotes da biblioteca
library(tidyverse) #Metapacote 
library(skimr) #Diagnóstico de tabela
library(janitor) #Limpeza de tabelas
library(esquisse) #Plotagem de gráficos prática
library(ggthemes) #Temas de ggplot
library(plotly) #Gráficos interativos
library(patchwork) #Unir gráficos
library(gghighlight) #Marcar pontos e linhas 
library(ggsci) #Paleta de cores 
library(gapminder) #Dataset sobre população, PIB e expectativa de vida dos países
library(ggpmisc)

2. Operações básicas

Podemos criar variáveis de diferentes classes, como numéricas (integer, double), textuais (string/character), e muitas outras. Além disso, essas variáveis podem ser nomeadas com o nome que você quiser, como letras e palavras.

Entretanto, não podem ter espaço entre si (variavel_a não é variavel a) e, por mais que funcionem com palavras em portugues acentuadas (“multiplicacão”), é uma boa prática nomeá-las da forma mais simples possível, como multiplicacao ou multi.

#Operações básicas -----

#Variáveis numéricas
x = 5
x

## [1] 5

y = 7
y

## [1] 7

z = y + x
z

## [1] 12

multiplicacão = x * y
multiplicacão

## [1] 35

As variáveis textuais são sempre definidas com aspas, mesmo sendo um número, como string = "5".

Dica de ouro: Nunca esqueça de fechar as aspas.

# Variáveis textuais (characters, string)
a = "Olá" #Uma palavra
a

## [1] "Olá"

b = "Tudo bem?" #Uma frase
b

## [1] "Tudo bem?"

Operações lógicas

Se usarmos operadores lógicos para determinar se o conteúdo de uma variável é igual (==), diferente (!=), maior (>) ou menor (<), os resultados retornarão TRUE ou FALSE.

# Comparações lógicas (booleanas)
a == b #Igual?

## [1] FALSE

a != b #Diferente?

## [1] TRUE

x < y # Menor?

## [1] TRUE

x > y # Maior?

## [1] FALSE

x <= 5 # Menor ou igual?

## [1] TRUE

E, se criarmos outras variáveis com nomes diferentes, mas com os mesmos valores, elas ainda continuarão dando o mesmo resultado.

aa = "Olá"
aa == a

## [1] TRUE

Vetores

Os vetores são uma sequência unidimensional que podem ser números, strings, valores lógicos, entre outros. Podemos criar vetores com a função c(), de “concatenar”.

Dica de ouro: Nunca deixe de fechar os parênteses em uma função, pois isso dará erro.

# Vetores
i = c(7, 5, 9, 10)
i

## [1]  7  5  9 10

j = c("Olá", "Caneta", "Qualificacao")
j

## [1] "Olá"          "Caneta"       "Qualificacao"

Perceba que, para um vetor ser classificado como numérico, todos os elementos têm de ser números, isto é, não estar dentro de aspas. Do contrário, se um elemento for uma string (contiver aspas), mesmo com um número dentro, do vetor inteiro será convertido em strings.

h = c(7, "10", 78)
h

## [1] "7"  "10" "78"

Obtendo ajuda com funções

O c() é um exemplo de função. Toda função contem um nome seguido por parenteses. No caso da função c(), inserimos os elementos que temos interesse.

No entanto, outras funções que iremos aprender a seguir funcionam de forma diferente, muitas vezes intuitiva. Para acessar a documentação da função, use um ? antes da função e aguarde a aba de ajuda abrir.

# O que esta função faz? Use o "?" antes da função e rode.
?c()

Dataframes e tibbles

Dataframes e tibbles são tabelas comuns e consistem de linhas e colunas de diferentes classes, como números, caracteres e fatores.

As tibbles são diferentes dos dataframes somente em sua apresentação no console e facilitam muito o trabalho com tabelas grandes e largas.

Além disso, a criação do dataframe e da tibble são diferentes visualmente. Enquanto no dataframe usamos a função data.frame() para criar colunas com linhas definidas por um vetor, na tibble esse código é semelhante à forma que imputamos dados no excel.

#Dataframes e tibbles -----

#Dataframe
data = data.frame(
  nome = c("Gabriela", "Júlia", "Beatriz", "Luiza"),
  altura = c(1.59, 1.60, 1.78, 1.73),
  idade = c(30, 25, 31, 32)
)
data

##       nome altura idade
## 1 Gabriela   1.59    30
## 2    Júlia   1.60    25
## 3  Beatriz   1.78    31
## 4    Luiza   1.73    32

E para criar uma tibble, usamos a função tribble().

#Tibble
tibble = tribble(
  ~nome, ~altura, ~idade,
  "Gabriela", 1.59,   30,
  "Júlia",   1.60,   25,
  "Beatriz", 1.65,  31,
  "Luiza",   1.73,   32 
  )

tibble

## # A tibble: 4 × 3
##   nome     altura idade
##   <chr>     <dbl> <dbl>
## 1 Gabriela   1.59    30
## 2 Júlia      1.6     25
## 3 Beatriz    1.65    31
## 4 Luiza      1.73    32

É possível transformar quase todo objeto em uma tabela.

Por exemplo, se pegarmos os vetores criados anteriormente e usarmos a função as.data.frame(), será criada uma coluna com o nome do vetor, seguida por linhas contendo os elementos do vetor. É padrão no tidyverse e no R de, ao converter uma estrutura de dados em outra, usar o “as”, como as.data.frame(), as.matrix(), as.vector(), etc.

# Vetores em dataframe
as.data.frame(i) #dataframe com coluna numérica

##    i
## 1  7
## 2  5
## 3  9
## 4 10

as.data.frame(j) #dataframe com coluna textual

##              j
## 1          Olá
## 2       Caneta
## 3 Qualificacao

as.data.frame(h) #dataframe com coluna textual, mesmo com valores numéricos

##    h
## 1  7
## 2 10
## 3 78

Há diferentes formas de se visualizar uma tabela.

A diferença de cada objeto está na visualização no console e no documento. Teste estas linhas de código no documento Markdown e no console.

#Visualizando o dataframe -----
# Com print()
print(data) #No documento ou console

##       nome altura idade
## 1 Gabriela   1.59    30
## 2    Júlia   1.60    25
## 3  Beatriz   1.78    31
## 4    Luiza   1.73    32

print(tibble)

## # A tibble: 4 × 3
##   nome     altura idade
##   <chr>     <dbl> <dbl>
## 1 Gabriela   1.59    30
## 2 Júlia      1.6     25
## 3 Beatriz    1.65    31
## 4 Luiza      1.73    32

# Com nome do objeto
data

##       nome altura idade
## 1 Gabriela   1.59    30
## 2    Júlia   1.60    25
## 3  Beatriz   1.78    31
## 4    Luiza   1.73    32

tibble

## # A tibble: 4 × 3
##   nome     altura idade
##   <chr>     <dbl> <dbl>
## 1 Gabriela   1.59    30
## 2 Júlia      1.6     25
## 3 Beatriz    1.65    31
## 4 Luiza      1.73    32

# Com glimpse(). #Descrição mais completa da tabela
glimpse(data)

## Rows: 4
## Columns: 3
## $ nome   <chr> "Gabriela", "Júlia", "Beatriz", "Luiza"
## $ altura <dbl> 1.59, 1.60, 1.78, 1.73
## $ idade  <dbl> 30, 25, 31, 32

glimpse(tibble)

## Rows: 4
## Columns: 3
## $ nome   <chr> "Gabriela", "Júlia", "Beatriz", "Luiza"
## $ altura <dbl> 1.59, 1.60, 1.65, 1.73
## $ idade  <dbl> 30, 25, 31, 32

# Com view() ou View(). A tabela completa com mais funcionalidades (filtragem manual, pesquisa e ordenamento) abrirá em uma nova janela
view(data) 
view(tibble)

# Selecione o nome do objeto, segure Ctrl e clique com o botão direito do mouse.
data

##       nome altura idade
## 1 Gabriela   1.59    30
## 2    Júlia   1.60    25
## 3  Beatriz   1.78    31
## 4    Luiza   1.73    32

tibble

## # A tibble: 4 × 3
##   nome     altura idade
##   <chr>     <dbl> <dbl>
## 1 Gabriela   1.59    30
## 2 Júlia      1.6     25
## 3 Beatriz    1.65    31
## 4 Luiza      1.73    32

Estatísticas gerais da tabela

O R possui uma função muito prática de análise estatística descritiva, a summary().

No entanto, existem outros pacotes que realizam essas análises e até geram relatórios em HTML.

Um deles é o skimr, cuja função skim() gera três outputs, um semelhante ao summary, e outras duas tabelas com a quantidade de valores não disponíveis (NA), estatísticas descritivas, e um histograma.

# Estatísticas gerais 
summary(tibble)

##      nome               altura          idade      
##  Length:4           Min.   :1.590   Min.   :25.00  
##  Class :character   1st Qu.:1.597   1st Qu.:28.75  
##  Mode  :character   Median :1.625   Median :30.50  
##                     Mean   :1.643   Mean   :29.50  
##                     3rd Qu.:1.670   3rd Qu.:31.25  
##                     Max.   :1.730   Max.   :32.00

summary(data)

##      nome               altura          idade      
##  Length:4           Min.   :1.590   Min.   :25.00  
##  Class :character   1st Qu.:1.597   1st Qu.:28.75  
##  Mode  :character   Median :1.665   Median :30.50  
##                     Mean   :1.675   Mean   :29.50  
##                     3rd Qu.:1.742   3rd Qu.:31.25  
##                     Max.   :1.780   Max.   :32.00

# Usando skim
skim(tibble)

Data summary
Name	tibble
Number of rows	4
Number of columns	3
_______________________
Column type frequency:
character	1
numeric	2
________________________
Group variables	None

Variable type: character

skim_variable	n_missing	complete_rate	min	max	empty	n_unique	whitespace
nome	0	1	5	8	0	4	0

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
altura	0	1	1.64	0.06	1.59	1.60	1.62	1.67	1.73	▇▁▃▁▃
idade	0	1	29.50	3.11	25.00	28.75	30.50	31.25	32.00	▃▁▁▃▇

skim(data)

Data summary
Name	data
Number of rows	4
Number of columns	3
_______________________
Column type frequency:
character	1
numeric	2
________________________
Group variables	None

Variable type: character

skim_variable	n_missing	complete_rate	min	max	empty	n_unique	whitespace
nome	0	1	5	8	0	4	0

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
altura	0	1	1.68	0.09	1.59	1.60	1.67	1.74	1.78	▇▁▁▃▃
idade	0	1	29.50	3.11	25.00	28.75	30.50	31.25	32.00	▃▁▁▃▇

Pivotando tabelas: Long e Wide

As tabelas tidy possuem dois formatos, um largo (wide) e outro longo (long). Converter uma em outra é conhecido como pivotagem, e conhecer essas funções é importantíssimo para obter, manipular e explorar dados.

Para pivotar, utilizamos pivot_longer() e pivot_wider(). A pivotagem deve ser pensada com base na relação entre variáveis e seus valores.

Por exemplo, se tivermos uma tabela larga com 10 colunas com anos (de 1990 a 2000), podemos reduzi-las em uma só coluna chamada “anos”, que facilitará a manipulação de dados. Isso alongará a tabela.

No exemplo abaixo, simplificamos todas as variáveis (idade e altura) em uma coluna (variavel), e jogamos os valores para uma única coluna (valor).

# Trabalhando com dataframes -----
#Transformando outros formatos em dataframe

# Long table
data_long = pivot_longer(data, #Tabela 
             cols = c(altura, idade), #Colunas para alongar 
             values_to = "valor", # Estocar valores em uma nova coluna
             names_to = "variavel" # Estocar variáveis em uma nova coluna
             ) 
data

##       nome altura idade
## 1 Gabriela   1.59    30
## 2    Júlia   1.60    25
## 3  Beatriz   1.78    31
## 4    Luiza   1.73    32

data_long

## # A tibble: 8 × 3
##   nome     variavel valor
##   <chr>    <chr>    <dbl>
## 1 Gabriela altura    1.59
## 2 Gabriela idade    30   
## 3 Júlia    altura    1.6 
## 4 Júlia    idade    25   
## 5 Beatriz  altura    1.78
## 6 Beatriz  idade    31   
## 7 Luiza    altura    1.73
## 8 Luiza    idade    32

Mas, se quisermos deixá-la mais fácil de ser interpretada por humanos, podemos pivotá-la em uma tabela larga, igual à tabela original.

# Wide table
data_wide = pivot_wider(data_long, #Tabela
            names_from = variavel, #Dividir níveis de uma coluna em novas colunas
            values_from = valor)   #Estocar valores relacionados à coluna nome e novas variáveis) 
data_wide

## # A tibble: 4 × 3
##   nome     altura idade
##   <chr>     <dbl> <dbl>
## 1 Gabriela   1.59    30
## 2 Júlia      1.6     25
## 3 Beatriz    1.78    31
## 4 Luiza      1.73    32

Matrizes

É importante saber manipular matrizes para computar análises estatísticas, como a Principal Components Analysis.

As matrizes são estruturas tabelares cujos valores são somente numéricos. Ou seja, não podemos ter uma coluna com strings, por exemplo.

Para isso, é necessário converter a coluna de “nomes” (strings) em nomes de linhas (rownames) usando a função column_to_rownames(), e então converter a tabela em matriz, com o as.matrix().

A diferença aqui é a apresentação da tabela. Enquanto dataframes e tibbles são facilmente lidas, as matrizes são mais complicadas nesse sentido.

#Matriz
matrix = as.matrix(data) #Transformar tabela em matriz
matrix #Os valores numéricos são strings

##      nome       altura idade
## [1,] "Gabriela" "1.59" "30" 
## [2,] "Júlia"    "1.60" "25" 
## [3,] "Beatriz"  "1.78" "31" 
## [4,] "Luiza"    "1.73" "32"

data_matrix = column_to_rownames(data, "nome") #Converte coluna em rownames
matrix = as.matrix(data_matrix)
matrix #Agora, os valores são numéricos

##          altura idade
## Gabriela   1.59    30
## Júlia      1.60    25
## Beatriz    1.78    31
## Luiza      1.73    32

Caso você queira manipular a matriz com as funções do tidyverse, é recomendável reconvertê-la em dataframe/tibble, manipular os dados, e depois converter novamente para matriz.

# Reconverter para dataframe
matrix_dr = as.data.frame(matrix)

matrix_dr # Coluna "nome" continua como rownames e dificulta a manipulação.

##          altura idade
## Gabriela   1.59    30
## Júlia      1.60    25
## Beatriz    1.78    31
## Luiza      1.73    32

matrix_dr = rownames_to_column(matrix_dr, "nome") #Converter rownames em nova coluna
matrix_dr

##       nome altura idade
## 1 Gabriela   1.59    30
## 2    Júlia   1.60    25
## 3  Beatriz   1.78    31
## 4    Luiza   1.73    32

Listas

Listas são estruturas que podem conter um conjunto de elementos de diferentes classes, como vetores, outras listas, dataframes, e matrizes.

Elas são interessantes para organizar os objetos necessários para uma análise, e são muito comuns em análises de RNAseq, por exemplo.

#Criando a lista
lista = list(a, b, h, j, multiplicacão, data, matrix, tibble)

#View(lista) #Visualizando a lista

#Acessando objetos diferentes da lista
lista[[1]] #Primeiro objeto

## [1] "Olá"

lista[[8]] #Oitavo objeto

## # A tibble: 4 × 3
##   nome     altura idade
##   <chr>     <dbl> <dbl>
## 1 Gabriela   1.59    30
## 2 Júlia      1.6     25
## 3 Beatriz    1.65    31
## 4 Luiza      1.73    32

#Isolando o objeto
df_list = lista[[8]]
df_list

## # A tibble: 4 × 3
##   nome     altura idade
##   <chr>     <dbl> <dbl>
## 1 Gabriela   1.59    30
## 2 Júlia      1.6     25
## 3 Beatriz    1.65    31
## 4 Luiza      1.73    32

Manipulação de tabelas com o R base

O R possui funções e formas nativas de acessar e manipular tabelas. Essas operações, como as descritas abaixo, não são mais a melhor forma de trabalhar, pois são pouco intuitivas, e vamos usar outras muito melhores a seguir. Mas, é importante conhecê-las, pois, são utilizadas em alguns casos.

Para acessar uma coluna no dataframe, digite o nome do dataframe seguido por $ e o nome da coluna (data$coluna). Se você não lembra o nome da coluna, você pode digitar data$ e apertar Tab.

# Acessando colunas do data frame
data$nome

## [1] "Gabriela" "Júlia"    "Beatriz"  "Luiza"

data$idade

## [1] 30 25 31 32

Para adicionar uma nova coluna e preencher seus valores, crie um vetor com os valores e insira nessa coluna.

# Criando nova variável para não sobrescrever a tabela original para os próximos exemplos
data_2 = data

# Adicionando uma nova coluna ao data frame
data_2$peso = c(70, 
                65, 
                80, 
                20)
data_2

##       nome altura idade peso
## 1 Gabriela   1.59    30   70
## 2    Júlia   1.60    25   65
## 3  Beatriz   1.78    31   80
## 4    Luiza   1.73    32   20

Para remover uma coluna, abra os colchetes [linha, coluna] após o nome do dataframe, selecione o índice da coluna e adicione um -. Os colchetes definem as linhas (antes da vírgula) e as colunas (depois da vírgula). Um pouco ~~muito~~ confuso, né?

# Removendo uma coluna do data frame
data_2 = data_2[ , -4]

Para filtrar e reordenar os dados, é ainda pior.

# Filtrando linhas do data frame. df[linha, coluna]
data_jovens = data_2[data_2$idade < 30, ]
data_jovens

##    nome altura idade
## 2 Júlia    1.6    25

# Ordenando o data frame por uma coluna
data_ordenados <- data_2[order(data_2$idade), ]
data_ordenados

##       nome altura idade
## 2    Júlia   1.60    25
## 1 Gabriela   1.59    30
## 3  Beatriz   1.78    31
## 4    Luiza   1.73    32

3. Tidyverse

O tidyverse é um metapacote, um pacote com diversos pacotes dentro, que facilita muito o trabalho no R. As funções conversam entre si, são padronizadas e, mais importante, são muito intuitivas.

`add_row()` e `add_column()`: Adicionando linhas e colunas

Para adicionar uma linha com valores, usamos o add_row(), e para adicionar uma nova coluna com valores, usamos o add_column(). Bem intuitivo, né?

Para não alterarmos as tabelas originais, criamos uma nova variável chamada data_2 e tibble_2. Entretanto, não é necessário sempre criar uma variável para cada operação que fizermos.

#Adicionar linha
data_2 = add_row(data, 
               nome = "Rafaela", 
               idade = 50,
               altura = 1.85)

data_2

##       nome altura idade
## 1 Gabriela   1.59    30
## 2    Júlia   1.60    25
## 3  Beatriz   1.78    31
## 4    Luiza   1.73    32
## 5  Rafaela   1.85    50

tibble_2 = add_row(tibble, 
                   nome = "Rafaela", 
                   idade = 50,
                   altura = 1.85)

tibble_2

## # A tibble: 5 × 3
##   nome     altura idade
##   <chr>     <dbl> <dbl>
## 1 Gabriela   1.59    30
## 2 Júlia      1.6     25
## 3 Beatriz    1.65    31
## 4 Luiza      1.73    32
## 5 Rafaela    1.85    50

#Adicionar coluna
data_2 = add_column(data_2,
                    peso = c(50,
                             80,
                             40,
                             100,
                             70))
data_2

##       nome altura idade peso
## 1 Gabriela   1.59    30   50
## 2    Júlia   1.60    25   80
## 3  Beatriz   1.78    31   40
## 4    Luiza   1.73    32  100
## 5  Rafaela   1.85    50   70

tibble_2 = add_column(tibble_2,
                      peso = c(50,
                               80,
                               40,
                               100,
                               70))
tibble_2

## # A tibble: 5 × 4
##   nome     altura idade  peso
##   <chr>     <dbl> <dbl> <dbl>
## 1 Gabriela   1.59    30    50
## 2 Júlia      1.6     25    80
## 3 Beatriz    1.65    31    40
## 4 Luiza      1.73    32   100
## 5 Rafaela    1.85    50    70

`filter():` Filtrando linhas e usando o pipe

Sempre que estivermos manipulando linhas, utilizamos o verbo “filtrar”. No tidyverse, mais especificamente no pacote dplyr, usamos a função filter() e estabelecemos argumentos lógicos para a filtragem.

# Filtrando linhas ----
idade = filter(data, idade <= 30)

idade_nome = filter(idade,
                    nome == "Júlia")

idade_nome

##    nome altura idade
## 1 Júlia    1.6    25

Mas, e se eu quiser filtrar usando mais operações?

Temos duas formas de fazer isso.

A primeira é usando “OU” (|) e %in% c(). Veja que os resultados são iguais, mas a forma de escrever é diferente. No primeiro caso, temos de repetir “nome ==” a cada valor que quisermos incluir. No segundo caso, somente criamos um vetor com os valores separados por vírgula.

#Usando OU (|)
filter(data, nome == "Júlia" | 
           nome == "Gabriela")

##       nome altura idade
## 1 Gabriela   1.59    30
## 2    Júlia   1.60    25

#Usando %in% c()
filter(data, nome %in% c("Júlia", "Gabriela"))

##       nome altura idade
## 1 Gabriela   1.59    30
## 2    Júlia   1.60    25

E a segunda é usando o pipe (%>%), que permite “costurar” operações e resultados. Dessa forma, não precisamos criar uma variável/objeto sempre que uma função for aplicada. Usaremos muito o pipe nos próximos códigos.

Abaixo, pegamos uma tabela, filtramos por idade e, então, filtramos somente linhas que contêm um valor. No caso, pegamos as linhas com idade maior ou igual a 30 e, depois, aquelas que contêm o nome “Gabriela”.

# Usando o pipe "%>%" (lê-se "e então")
data %>%                   # Tenho este objeto 
  filter(idade >= 30) %>%  # E então vou filtrar os indivíduos com mais de 30 anos
  filter(nome == "Gabriela")   # E então vou filtrar os indivíduos chamados "Gabriela"

##       nome altura idade
## 1 Gabriela   1.59    30

`select():` Selecionando colunas

Da mesma forma que trabalhamos com linhas usando filter(), ao trabalhar com colunas, usamos o select().

A função select é muito versátil, e além de selecionar colunas que você quer trabalhar, podemos reordená-las e renomeá-las manualmente.

Para isolar a(s) coluna(s), use select(coluna), que você produzirá uma tabela com somente aquela coluna.

Para retirar uma coluna, use o - ou o !.

Para reordenar, use select(coluna, everything()). Aqui, você coloca a coluna de interesse em primeiro lugar e todas as outras restantes em sequência.

# Selecionando colunas ----
# Selecionar colunas específicas
data_2 %>%
  select(nome, altura)

##       nome altura
## 1 Gabriela   1.59
## 2    Júlia   1.60
## 3  Beatriz   1.78
## 4    Luiza   1.73
## 5  Rafaela   1.85

# Selecionar da coluna nome (1) à coluna peso (4)
data_2 %>% 
  select(nome:idade)

##       nome altura idade
## 1 Gabriela   1.59    30
## 2    Júlia   1.60    25
## 3  Beatriz   1.78    31
## 4    Luiza   1.73    32
## 5  Rafaela   1.85    50

#Retirando coluna
data_2 %>% 
  select(-idade)

##       nome altura peso
## 1 Gabriela   1.59   50
## 2    Júlia   1.60   80
## 3  Beatriz   1.78   40
## 4    Luiza   1.73  100
## 5  Rafaela   1.85   70

data_2 %>%   
  select(!idade)

##       nome altura peso
## 1 Gabriela   1.59   50
## 2    Júlia   1.60   80
## 3  Beatriz   1.78   40
## 4    Luiza   1.73  100
## 5  Rafaela   1.85   70

#Reordenando coluna
data_2 %>%   
  select(idade, everything())

##   idade     nome altura peso
## 1    30 Gabriela   1.59   50
## 2    25    Júlia   1.60   80
## 3    31  Beatriz   1.78   40
## 4    32    Luiza   1.73  100
## 5    50  Rafaela   1.85   70

Para renomear uma coluna, é possível também usar o select().Mas, cuidado, pois ao renomeá-las, se esquecermos do “everything()”, ficamos somente com a coluna renomeada.

Por isso, temos a função rename(), que evita que isso aconteça.

#Renomeando coluna
data_2 %>%   
  select(age = idade, everything())

##   age     nome altura peso
## 1  30 Gabriela   1.59   50
## 2  25    Júlia   1.60   80
## 3  31  Beatriz   1.78   40
## 4  32    Luiza   1.73  100
## 5  50  Rafaela   1.85   70

#Renomeando coluna com rename
data_2 %>%   
  rename(age = idade) #Retirando coluna

##       nome altura age peso
## 1 Gabriela   1.59  30   50
## 2    Júlia   1.60  25   80
## 3  Beatriz   1.78  31   40
## 4    Luiza   1.73  32  100
## 5  Rafaela   1.85  50   70

`mutate():` Criando e realizando operações com novas variáveis

A função mutate() permite criar ou modificar colunas e imputar valores usando funções que se aplicarão a todas as linhas daquela coluna. Por exemplo, podemos criar a coluna imc com o IMC todos os indivíduos, que é calculado com a razão do peso e a altura ao quadrado.

# Criando novas variáveis
data_2 = data_2 %>%
  mutate(imc = peso / (altura^2)) #Para cada linha da tabela, pegaremos o valor do peso e dividiremos pela altura ao quadrado.

Além disso, podemos criar uma coluna com o sexo daquele indivíduo. Como sabemos que todos são “feminino”, podemos fazer dessa forma.

data_2 %>% 
  mutate(sexo = "feminino") #Como todas as linhas contêm nomes femininos, criaremos a coluna sexo com o valor "feminino"

##       nome altura idade peso      imc     sexo
## 1 Gabriela   1.59    30   50 19.77770 feminino
## 2    Júlia   1.60    25   80 31.25000 feminino
## 3  Beatriz   1.78    31   40 12.62467 feminino
## 4    Luiza   1.73    32  100 33.41241 feminino
## 5  Rafaela   1.85    50   70 20.45289 feminino

`if_else` e `case_when()`: Condições

Mas, podemos também usar um argumento lógico também.

Por exemplo, podemos criar uma coluna que classificará se a pessoa está acima ou abaixo de um IMC específico, a partir dos valores da coluna imc.

Isso é feito com a função if_else(), que é lida da seguinte forma: se isso for verdadeiro, dê o valor “A”, do contrário, “B”. No caso aqui, se a pessoa tiver um IMC acima de 25, ela será considerada com sobrepeso, e se for abaixo, será classificada como normal.

data_2 %>% 
  mutate(classificacao = if_else(imc > 25, "sobrepeso", "normal"))

##       nome altura idade peso      imc classificacao
## 1 Gabriela   1.59    30   50 19.77770        normal
## 2    Júlia   1.60    25   80 31.25000     sobrepeso
## 3  Beatriz   1.78    31   40 12.62467        normal
## 4    Luiza   1.73    32  100 33.41241     sobrepeso
## 5  Rafaela   1.85    50   70 20.45289        normal

Mas, sabemos que o IMC pode ser classificado com outras categorias. Para isso, temos duas formas de classificar. A primeira é usando o if_else() imputando os valores manualmente e deixando os valores que ainda não foram categorizados como NA, e depois, de criar a primeira categoria, criamos a segunda categoria e deixamos os que já estavam na coluna.

data_2 %>% 
  mutate(classificacao = if_else(imc >= 25 & imc <= 30 , "sobrepeso", NA),
         classificacao = if_else(imc > 30, "obesidade 1", classificacao),
         classificacao = if_else(imc >= 18.5 & imc <25, "normal",classificacao),
         classificacao = if_else(imc < 18.5, "magreza",classificacao))

##       nome altura idade peso      imc classificacao
## 1 Gabriela   1.59    30   50 19.77770        normal
## 2    Júlia   1.60    25   80 31.25000   obesidade 1
## 3  Beatriz   1.78    31   40 12.62467       magreza
## 4    Luiza   1.73    32  100 33.41241   obesidade 1
## 5  Rafaela   1.85    50   70 20.45289        normal

Veja que, depois da segunda linha de if_else, isso fica confuso de entender. Por isso, usamos o case_when(), que é um if_else mais versátil e deixa o código mais limpo e fácil de ler.

data_2 = data_2 %>% 
  mutate(classificacao = case_when(imc >= 25 & imc <= 30 ~ "sobrepeso",
                                   imc > 30 ~ "obesidade 1",
                                   imc >= 18.5 & imc < 25 ~ "normal",
                                   imc < 18.5 ~ "magreza"))

summarize(): resumindo estatísticas

A função summarize() (ou summarise()) aplica a mesma lógica, mas a tabela gerada é muito menor, e se aplica à variável de interesse na tabela. Por exemplo, se quisermos obter a média (mean()), e a soma (sum()) das linhas de uma coluna, a summarize é capaz de fazer isso.

# Resumindo dados
data_2 %>% 
  summarize(Media_idade = mean(idade))

##   Media_idade
## 1        33.6

data_2 %>% 
  summarize(Soma_idade = sum(idade))

##   Soma_idade
## 1        168

`group_by`: Agrupando dados

Em muitos casos, nós queremos realizar cálculos com categorias ou grupos diferentes. Por exemplo, considere que queremos saber a média (mean()) das idades por categoria da classificação pelo IMC, e além disso, queremos contar os indíviduos em cada categoria (n()). Para isso, temos de agrupar os dados por categorias (sobrepeso, normal, etc.) de uma variável (classificacao). Isso é feito com o group_by() seguido pelo summarize().

#Média dos grupos
data_2 %>% 
  group_by(classificacao) %>% 
  summarize(Media_idade = mean(idade))

## # A tibble: 3 × 2
##   classificacao Media_idade
##   <chr>               <dbl>
## 1 magreza              31  
## 2 normal               40  
## 3 obesidade 1          28.5

#Contagem
data_2 %>% 
  group_by(classificacao) %>% 
  summarize(individuos = n())

## # A tibble: 3 × 2
##   classificacao individuos
##   <chr>              <int>
## 1 magreza                1
## 2 normal                 2
## 3 obesidade 1            2

`arrange():` Ordenando dados

Podemos ordenar os dados de forma crescente e decrescente usando o arrange().

# Ordenando dados de forma crescente
data_2 %>% 
  arrange(idade)

##       nome altura idade peso      imc classificacao
## 1    Júlia   1.60    25   80 31.25000   obesidade 1
## 2 Gabriela   1.59    30   50 19.77770        normal
## 3  Beatriz   1.78    31   40 12.62467       magreza
## 4    Luiza   1.73    32  100 33.41241   obesidade 1
## 5  Rafaela   1.85    50   70 20.45289        normal

# Ordenando de forma decrescente
#Método 1
data_2 %>% 
  arrange(desc(idade))

##       nome altura idade peso      imc classificacao
## 1  Rafaela   1.85    50   70 20.45289        normal
## 2    Luiza   1.73    32  100 33.41241   obesidade 1
## 3  Beatriz   1.78    31   40 12.62467       magreza
## 4 Gabriela   1.59    30   50 19.77770        normal
## 5    Júlia   1.60    25   80 31.25000   obesidade 1

#Método 2
data_2 %>% 
  arrange(-idade)

##       nome altura idade peso      imc classificacao
## 1  Rafaela   1.85    50   70 20.45289        normal
## 2    Luiza   1.73    32  100 33.41241   obesidade 1
## 3  Beatriz   1.78    31   40 12.62467       magreza
## 4 Gabriela   1.59    30   50 19.77770        normal
## 5    Júlia   1.60    25   80 31.25000   obesidade 1

Joins: merging/unindo tabelas

Na rotina de análise dados, temos de lidar com diferentes tabelas que, muitas vezes, estão associadas entre si por algum elemento. Por exemplo, podemos ter uma tabela com os dados antropométricos (altura, idade e peso) para cada indivíduo e outra com informações pessoais, como endereço, telefone, etc.

“Uai, mas não posso ter tudo em uma tabela só?”. Pode, mas precisamos considerar que uma tabela com todos esses dados não são necessariamente úteis em todo o processo. Acima, avaliamos o IMC de cada indivíduo e não seria interessante saber o endereço de cada um. Mas, se tivermos uma tabela enorme, com milhões de pessoas, podemos procurar estabelecer uma associação entre peso e endereço, por exemplo. Ou mesmo encontrar relações entre essas variáveis e a incidência de alguma doença infecciosa.

Dessa forma, é importante construir e dividir tabelas para facilitar nossa manipulação de dados e, não menos importante, reduzir o tamanho dos arquivos individuais.

Para ilustrar isso, vamos criar uma tabela chamada endereco, que contem o nome, cidade e bairro de cada indivíduo.

endereco = tribble(~nome, ~cidade, ~bairro,
          "Gabriela", "São Paulo", "Consolação",
          "Júlia", "Ribeirão Preto", "Cidade Universitária",
          "Beatriz", "Cuiabá", "Centro",
          "Luiza", "São Paulo", "Centro",
          "Thaís", "São Paulo", "Butantã")
endereco

## # A tibble: 5 × 3
##   nome     cidade         bairro              
##   <chr>    <chr>          <chr>               
## 1 Gabriela São Paulo      Consolação          
## 2 Júlia    Ribeirão Preto Cidade Universitária
## 3 Beatriz  Cuiabá         Centro              
## 4 Luiza    São Paulo      Centro              
## 5 Thaís    São Paulo      Butantã

Uma forma de unir a tabela data_2 com a tabela endereco é pelas linhas de uma coluna em comum, no caso a coluna nome. Essa operação é chamada de merging. Para isso, temos as funções *_join(). O *_ seguido por join() significa que existem nomes diferentes de funções que terminam com “join” e fazem algo parecido.

inner_join()

Uma dessas funções é a inner_join(), que somente une as linhas correspondentes de duas tabelas. Ou seja, se tem uma linha com o nome X nas tabelas 1 e 2, as colunas das tabelas 1 e 2 serão unidas. Se existir uma linha com o nome X na tabela 1, mas não na tabela 2, então as colunas não serão unidas para aquela linha. Confuso, mas você vai entender visualizando aqui.

data_2 %>% #Tabela original (tabela 1)
  inner_join(endereco, #Tabela para unir (tabela 2)
             by = "nome") #Coluna correspondente

##       nome altura idade peso      imc classificacao         cidade
## 1 Gabriela   1.59    30   50 19.77770        normal      São Paulo
## 2    Júlia   1.60    25   80 31.25000   obesidade 1 Ribeirão Preto
## 3  Beatriz   1.78    31   40 12.62467       magreza         Cuiabá
## 4    Luiza   1.73    32  100 33.41241   obesidade 1      São Paulo
##                 bairro
## 1           Consolação
## 2 Cidade Universitária
## 3               Centro
## 4               Centro

Veja que a “Rafaela” não foi incluída, porque não havia dados sobre ela na tabela de endereços.

left_join()

Mas, suponhamos que seria interessante saber quem da tabela 1 não tem endereço cadastrado e, dessa forma, podemos procurar registrar em outra ocasião. Para isso, temos o left_join(). Nele, em vez de não mostrar a linha da Rafaela na nova tabela, a função inclui valores NA nessa linha. A função tem o nome de “left” porque considera a tabela 1 como a tabela da esquerda. Em outras palavras, queremos anotar todas as linhas da tabela da esquerda (tabela 1) com os dados da tabela da direita (tabela 2) a partir dos elementos da coluna em comum chamada “nome”.

data_2 %>% #Tabela original (tabela 1)
  left_join(endereco, #Tabela para unir (tabela 2)
             by = "nome") #Coluna correspondente

##       nome altura idade peso      imc classificacao         cidade
## 1 Gabriela   1.59    30   50 19.77770        normal      São Paulo
## 2    Júlia   1.60    25   80 31.25000   obesidade 1 Ribeirão Preto
## 3  Beatriz   1.78    31   40 12.62467       magreza         Cuiabá
## 4    Luiza   1.73    32  100 33.41241   obesidade 1      São Paulo
## 5  Rafaela   1.85    50   70 20.45289        normal           <NA>
##                 bairro
## 1           Consolação
## 2 Cidade Universitária
## 3               Centro
## 4               Centro
## 5                 <NA>

anti_join()

Da mesma forma, podemos obter somente as linhas que estão na tabela 1, mas não na tabela 2. Isso é feito com a função anti_join(). O output dela é somente a linha da Rafaela com as colunas da tabela 1.

data_2 %>% #Tabela original (tabela 1)
  anti_join(endereco, #Tabela para unir (tabela 2)
             by = "nome") #Coluna correspondente

##      nome altura idade peso      imc classificacao
## 1 Rafaela   1.85    50   70 20.45289        normal

right_join()

Observe que a tabela endereco também tem uma linha que não está na tabela 1, a “Thais”, e que ela não foi mostrada nas funções anteriores. Para incluir, podemos usar o right_join(), que assim como o left_join(), mostra todas as linhas de uma tabela, incluindo aquelas que não estão na outra. No caso, ela mostra todas as linhas da tabela 2, mesmo aquelas que não estão anotadas com os dados da tabela 1. Além disso, ela não mostra as linhas da tabela 1 que não estão na tabela, no caso “Rafaela”.

data_2 %>% #Tabela original (tabela 1)
  right_join(endereco, #Tabela para unir (tabela 2)
             by = "nome") #Coluna correspondente

##       nome altura idade peso      imc classificacao         cidade
## 1 Gabriela   1.59    30   50 19.77770        normal      São Paulo
## 2    Júlia   1.60    25   80 31.25000   obesidade 1 Ribeirão Preto
## 3  Beatriz   1.78    31   40 12.62467       magreza         Cuiabá
## 4    Luiza   1.73    32  100 33.41241   obesidade 1      São Paulo
## 5    Thaís     NA    NA   NA       NA          <NA>      São Paulo
##                 bairro
## 1           Consolação
## 2 Cidade Universitária
## 3               Centro
## 4               Centro
## 5              Butantã

full_join()

Agora, se quisermos ter uma tabela completa, com todas as linhas das tabelas 1 e 2, mesmo aquelas que não correspondem entre si, usamos a função full_join().

data_2 %>% #Tabela original (tabela 1)
  full_join(endereco, #Tabela para unir (tabela 2)
             by = "nome") #Coluna correspondente

##       nome altura idade peso      imc classificacao         cidade
## 1 Gabriela   1.59    30   50 19.77770        normal      São Paulo
## 2    Júlia   1.60    25   80 31.25000   obesidade 1 Ribeirão Preto
## 3  Beatriz   1.78    31   40 12.62467       magreza         Cuiabá
## 4    Luiza   1.73    32  100 33.41241   obesidade 1      São Paulo
## 5  Rafaela   1.85    50   70 20.45289        normal           <NA>
## 6    Thaís     NA    NA   NA       NA          <NA>      São Paulo
##                 bairro
## 1           Consolação
## 2 Cidade Universitária
## 3               Centro
## 4               Centro
## 5                 <NA>
## 6              Butantã

Usando o `pipe` para fazer múltiplas operações de uma vez

Usando o pipe, podemos escrever e ler códigos em uma sequência lógica fácil.

Por exemplo, abaixo:

pegamos a tabela data_2, ordenamos a altura na ordem crescente,

filtramos somente as pessoas com idade acima de 30 e peso acima de 50 e retiramos os nomes.

Depois, arredondamos os valores do IMC para uma casa decimal (usando round()) e criamos uma nova variável chamada peso_x_idade.

Por fim, resumimos os dados usando a média do peso e a média do imc, e criamos uma variável chamada mega_pipe

# Múltiplas operações em uma caixa
mega_pipe = data_2 %>% 
  arrange(altura) %>% 
  filter(idade >= 30,
         peso >= 50) %>% 
  select(-nome) %>% 
  mutate(imc = round(imc, 1),
         peso_x_idade = peso * idade) %>%
  summarise(mean_peso = mean(peso),
            mean_peso = round(mean_peso, 1),
            mean_imc = mean(imc) %>% round(1))
mega_pipe

##   mean_peso mean_imc
## 1      73.3     24.6

4. Visualização

A visualização com o ggplot2 é feito em camadas. Primeiro, temos um dataframe com os dados de interesse, depois chamamos a função ggplot() e adicionamos um +, que funciona aqui como um pipe, mas somente para gráficos. A partir disso, temos de mapear os eixos, cores, tamanho, etc. com as variáveis de interesse, usando o aes(). Para definir qual tipo de gráfico iremos criar, temos de definir a geometria (geom_), que no caso é de pontos (geom_point()). Isso já produz um gráfico, mas não é um dos melhores.

Para melhorar, podemos adicionar mais funções, como labels para os pontos do gráfico (geom_label()), um tema pré-definido (theme_light()) ou customizável (theme()), e título para o gráfico, eixos, e legendas (labs()). Além disso, para reordenar os valores de uma variável categórica, como os países, por uma variável numérica, usamos o fct_reorder() dentro do mutate().

data_2 %>% 
  ggplot() +
  aes(x = peso,
      y = imc) +
  geom_point()

Visualização rápida com o Esquisse

O pacote esquisse é uma ferramenta interativa para a construção de gráficos, de forma rápida e intuitiva.

Lembre-se de retirar os # antes de rodar. Teste todos os parâmetros e veja como os dados se comportam nos diferentes tipos de gráficos. Observe também, no botão do lado inferior direito, que você pode gerar os códigos do gráfico também. Dessa forma, você automatiza seu gráfico sem precisar ficar abrindo esta janela sempre!

5. Trabalhando com dados reais

Importando tabelas

Podemos importar tabelas de forma manual, clicando no nome do arquivo no quadrante onde encontramos a aba “Files” e selecionando “Import dataset”, que é realizado pelo pacote readr.

Caso queira deixar automatizado, você pode copiar o código que é gerado e colar no seu bloco de código aqui.

A função read_csv() acessa o local do seu arquivo (no caso, do tipo .csv) e o importa para o ambiente do R. Existem funções para importar cada tipo de arquivo, como excel, tsv, etc.

#Pelo readr
cobertura_vacinal <- read_csv("cobertura_vacinal_anotada.csv")

## Rows: 63717 Columns: 10
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (8): name, country_abrev, vaccine, region, type, diseases, region_comple...
## dbl (2): year, coverage
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

cobertura_vacinal

## # A tibble: 63,717 × 10
##    name        country_abrev  year vaccine coverage region type    diseases    
##    <chr>       <chr>         <dbl> <chr>      <dbl> <chr>  <chr>   <chr>       
##  1 Afghanistan AFG            2022 BCG           88 ROSA   country Tuberculosis
##  2 Afghanistan AFG            2021 BCG           84 ROSA   country Tuberculosis
##  3 Afghanistan AFG            2020 BCG           87 ROSA   country Tuberculosis
##  4 Afghanistan AFG            2019 BCG           86 ROSA   country Tuberculosis
##  5 Afghanistan AFG            2018 BCG           89 ROSA   country Tuberculosis
##  6 Afghanistan AFG            2017 BCG           84 ROSA   country Tuberculosis
##  7 Afghanistan AFG            2016 BCG           78 ROSA   country Tuberculosis
##  8 Afghanistan AFG            2015 BCG           76 ROSA   country Tuberculosis
##  9 Afghanistan AFG            2014 BCG           74 ROSA   country Tuberculosis
## 10 Afghanistan AFG            2013 BCG           72 ROSA   country Tuberculosis
## # ℹ 63,707 more rows
## # ℹ 2 more variables: region_complete <chr>, continent <chr>

#Tabela de mortes por doença
mortes_doencas <- read_rds("Deaths_infectious_diseases_filtered.rds") 

mortes_doencas

## # A tibble: 39,152 × 9
##    name    region_complete  year total_deaths perc_deaths death_rate_100thousand
##    <chr>   <chr>           <dbl>        <dbl>       <dbl>                  <dbl>
##  1 Albania Europe and Cen…  1987           69      0.398                   2.24 
##  2 Albania Europe and Cen…  1988           58      0.336                   1.85 
##  3 Albania Europe and Cen…  1989           50      0.275                   1.57 
##  4 Albania Europe and Cen…  1992           24      0.139                   0.752
##  5 Albania Europe and Cen…  1993           27      0.162                   0.852
##  6 Albania Europe and Cen…  1994           19      0.127                   0.593
##  7 Albania Europe and Cen…  1995           17      0.106                   0.523
##  8 Albania Europe and Cen…  1996            6      0.0358                  0.183
##  9 Albania Europe and Cen…  1997           13      0.0803                  0.391
## 10 Albania Europe and Cen…  1998            5      0.0303                  0.149
## # ℹ 39,142 more rows
## # ℹ 3 more variables: death_rate_100thousand_age_standardized <dbl>,
## #   death_disease <chr>, continent <chr>

Padronizando tabelas

Para trabalharmos de forma fácil com uma tabela, precisamos padronizá-la.

Isso significa que trocaremos e reordenaremos os nomes das colunas para fazerem mais sentido, completaremos os valores NA quando for possível (e fizer sentido), e explicitaremos algumas coisas, como o nome das doenças contra as quais as vacinas protegem, e daremos o nome completo de cada região, pois somente temos os códigos delas.

#Organizar colunas
cobertura_vacinal = cobertura_vacinal %>% 
  select(type, name, country_abrev, continent, region, region_complete, year, everything())

#Salvar
cobertura_vacinal %>% 
  saveRDS(file = "cobertura_vacinal_anotada_2.rds")

#Organizar colunas
mortes_doencas = mortes_doencas %>% 
  select(name, continent,region_complete, everything())

#Salvar
mortes_doencas %>% 
  saveRDS(file = "mortes_doencas.rds")

mortes_doencas

## # A tibble: 39,152 × 9
##    name    continent region_complete          year total_deaths perc_deaths
##    <chr>   <chr>     <chr>                   <dbl>        <dbl>       <dbl>
##  1 Albania Europe    Europe and Central Asia  1987           69      0.398 
##  2 Albania Europe    Europe and Central Asia  1988           58      0.336 
##  3 Albania Europe    Europe and Central Asia  1989           50      0.275 
##  4 Albania Europe    Europe and Central Asia  1992           24      0.139 
##  5 Albania Europe    Europe and Central Asia  1993           27      0.162 
##  6 Albania Europe    Europe and Central Asia  1994           19      0.127 
##  7 Albania Europe    Europe and Central Asia  1995           17      0.106 
##  8 Albania Europe    Europe and Central Asia  1996            6      0.0358
##  9 Albania Europe    Europe and Central Asia  1997           13      0.0803
## 10 Albania Europe    Europe and Central Asia  1998            5      0.0303
## # ℹ 39,142 more rows
## # ℹ 3 more variables: death_rate_100thousand <dbl>,
## #   death_rate_100thousand_age_standardized <dbl>, death_disease <chr>

Explorando dados

Visualizando tabelas

# Explorando dados -----

# Tabela completa
view(cobertura_vacinal) 

# Descrição geral
glimpse(cobertura_vacinal)

## Rows: 63,717
## Columns: 10
## $ type            <chr> "country", "country", "country", "country", "country",…
## $ name            <chr> "Afghanistan", "Afghanistan", "Afghanistan", "Afghanis…
## $ country_abrev   <chr> "AFG", "AFG", "AFG", "AFG", "AFG", "AFG", "AFG", "AFG"…
## $ continent       <chr> "Asia", "Asia", "Asia", "Asia", "Asia", "Asia", "Asia"…
## $ region          <chr> "ROSA", "ROSA", "ROSA", "ROSA", "ROSA", "ROSA", "ROSA"…
## $ region_complete <chr> "South Asia", "South Asia", "South Asia", "South Asia"…
## $ year            <dbl> 2022, 2021, 2020, 2019, 2018, 2017, 2016, 2015, 2014, …
## $ vaccine         <chr> "BCG", "BCG", "BCG", "BCG", "BCG", "BCG", "BCG", "BCG"…
## $ coverage        <dbl> 88, 84, 87, 86, 89, 84, 78, 76, 74, 72, 78, 71, 68, 64…
## $ diseases        <chr> "Tuberculosis", "Tuberculosis", "Tuberculosis", "Tuber…

# Primeiras 10 linhas
head(cobertura_vacinal, 10)

## # A tibble: 10 × 10
##    type    name     country_abrev continent region region_complete  year vaccine
##    <chr>   <chr>    <chr>         <chr>     <chr>  <chr>           <dbl> <chr>  
##  1 country Afghani… AFG           Asia      ROSA   South Asia       2022 BCG    
##  2 country Afghani… AFG           Asia      ROSA   South Asia       2021 BCG    
##  3 country Afghani… AFG           Asia      ROSA   South Asia       2020 BCG    
##  4 country Afghani… AFG           Asia      ROSA   South Asia       2019 BCG    
##  5 country Afghani… AFG           Asia      ROSA   South Asia       2018 BCG    
##  6 country Afghani… AFG           Asia      ROSA   South Asia       2017 BCG    
##  7 country Afghani… AFG           Asia      ROSA   South Asia       2016 BCG    
##  8 country Afghani… AFG           Asia      ROSA   South Asia       2015 BCG    
##  9 country Afghani… AFG           Asia      ROSA   South Asia       2014 BCG    
## 10 country Afghani… AFG           Asia      ROSA   South Asia       2013 BCG    
## # ℹ 2 more variables: coverage <dbl>, diseases <chr>

# Últimas 10 linhas
tail(cobertura_vacinal, 10)

## # A tibble: 10 × 10
##    type   name  country_abrev continent region region_complete      year vaccine
##    <chr>  <chr> <chr>         <chr>     <chr>  <chr>               <dbl> <chr>  
##  1 region WCAR  WCAR          Africa    WCAR   West and Central A…  2022 HEPBB  
##  2 region WCAR  WCAR          Africa    WCAR   West and Central A…  2022 HIB3   
##  3 region WCAR  WCAR          Africa    WCAR   West and Central A…  2022 IPV1   
##  4 region WCAR  WCAR          Africa    WCAR   West and Central A…  2022 MCV1   
##  5 region WCAR  WCAR          Africa    WCAR   West and Central A…  2022 MCV2   
##  6 region WCAR  WCAR          Africa    WCAR   West and Central A…  2022 PCV3   
##  7 region WCAR  WCAR          Africa    WCAR   West and Central A…  2022 POL3   
##  8 region WCAR  WCAR          Africa    WCAR   West and Central A…  2022 RCV1   
##  9 region WCAR  WCAR          Africa    WCAR   West and Central A…  2022 ROTAC  
## 10 region WCAR  WCAR          Africa    WCAR   West and Central A…  2022 YFV    
## # ℹ 2 more variables: coverage <dbl>, diseases <chr>

#Summary statistics
summary(cobertura_vacinal)

##      type               name           country_abrev       continent        
##  Length:63717       Length:63717       Length:63717       Length:63717      
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##     region          region_complete         year        vaccine         
##  Length:63717       Length:63717       Min.   :1980   Length:63717      
##  Class :character   Class :character   1st Qu.:1997   Class :character  
##  Mode  :character   Mode  :character   Median :2008   Mode  :character  
##                                        Mean   :2006                     
##                                        3rd Qu.:2016                     
##                                        Max.   :2022                     
##     coverage       diseases        
##  Min.   : 0.00   Length:63717      
##  1st Qu.:75.00   Class :character  
##  Median :90.00   Mode  :character  
##  Mean   :81.46                     
##  3rd Qu.:97.00                     
##  Max.   :99.00

Cada coluna contendo strings repetidas nas linhas podem ser reduzidas aos valores únicos.

Por exemplo, veja que as regiões, por estarem na tabela longa, são repetidas para cada país. Se quisermos saber todas as regiões incluídas no dataset de forma mais fácil, sem ficar procurando uma por uma, usamos o distinct().

#Níveis de colunas
cobertura_vacinal %>% 
  distinct(region_complete)

## # A tibble: 9 × 1
##   region_complete             
##   <chr>                       
## 1 South Asia                  
## 2 Europe and Central Asia     
## 3 Middle East and North Africa
## 4 Eastern and Southern Africa 
## 5 Latin America and Caribbean 
## 6 Non-programme               
## 7 West and Central Africa     
## 8 East Asia and Pacific       
## 9 Global

cobertura_vacinal %>% 
  distinct(continent)

## # A tibble: 9 × 1
##   continent                   
##   <chr>                       
## 1 Asia                        
## 2 Europe                      
## 3 Africa                      
## 4 Americas                    
## 5 Oceania                     
## 6 Global                      
## 7 Europe and Central Asia     
## 8 Middle East and North Africa
## 9 Non-programme

cobertura_vacinal %>% 
  distinct(name) %>% 
  head(10)

## # A tibble: 10 × 1
##    name       
##    <chr>      
##  1 Afghanistan
##  2 Albania    
##  3 Algeria    
##  4 Angola     
##  5 Argentina  
##  6 Armenia    
##  7 Austria    
##  8 Azerbaijan 
##  9 Bangladesh 
## 10 Belarus

cobertura_vacinal %>% 
  distinct(vaccine)

## # A tibble: 14 × 1
##    vaccine
##    <chr>  
##  1 BCG    
##  2 DTP1   
##  3 DTP3   
##  4 HEPB3  
##  5 HEPBB  
##  6 HIB3   
##  7 IPV1   
##  8 MCV1   
##  9 MCV2   
## 10 PCV3   
## 11 POL3   
## 12 RCV1   
## 13 ROTAC  
## 14 YFV

E se quisermos contar quantas vezes esses valores são repetidos no dataset? Podemos usar o count() seguido por head(), para visualizar os 10 primeiros valores. O head() é importante quando temos uma tabela muito grande e não queremos ver todos os valores.

#Contar linhas por coluna
cobertura_vacinal %>% 
  count(name) %>% 
  head(10)

## # A tibble: 10 × 2
##    name                    n
##    <chr>               <int>
##  1 Afghanistan           296
##  2 Albania               354
##  3 Algeria               291
##  4 Andorra               240
##  5 Angola                293
##  6 Antigua and Barbuda   296
##  7 Argentina             371
##  8 Armenia               283
##  9 Australia             314
## 10 Austria               315

cobertura_vacinal %>% 
  count(vaccine) %>% 
  head(10)

## # A tibble: 10 × 2
##    vaccine     n
##    <chr>   <int>
##  1 BCG      6741
##  2 DTP1     8142
##  3 DTP3     8142
##  4 HEPB3    4710
##  5 HEPBB    2911
##  6 HIB3     3896
##  7 IPV1     1515
##  8 MCV1     8016
##  9 MCV2     3258
## 10 PCV3     1690

cobertura_vacinal %>% 
  count(continent) %>% 
  head(10)

## # A tibble: 9 × 2
##   continent                        n
##   <chr>                        <int>
## 1 Africa                       15644
## 2 Americas                     12406
## 3 Asia                         15306
## 4 Europe                       12835
## 5 Europe and Central Asia        415
## 6 Global                         441
## 7 Middle East and North Africa   441
## 8 Non-programme                  415
## 9 Oceania                       5814

cobertura_vacinal %>% 
  count(diseases) %>% 
  head(10)

## # A tibble: 10 × 2
##    diseases                         n
##    <chr>                        <int>
##  1 DTP3                          8142
##  2 Difteria, Tetanus, Pertussis  8142
##  3 Haemophilus influenzae B      3896
##  4 Hepatitis B                   7621
##  5 Measles                      11274
##  6 Pneumococcus                  1690
##  7 Poliomielitis                 9658
##  8 Rotavirus                     5663
##  9 Tuberculosis                  6741
## 10 Yellow fever                   890

Os dados foram registrados de que ano a que ano?

cobertura_vacinal %>% 
  summarize(min_valor = min(year),
            max_valor = max(year))

## # A tibble: 1 × 2
##   min_valor max_valor
##       <dbl>     <dbl>
## 1      1980      2022

Quais são as vacinas que protegem contra cada doença? Podemos descobrir isso de duas formas.

Usando o filter() e especificando a doença.

cobertura_vacinal %>% 
  filter(diseases == "Poliomielitis") %>% 
  distinct(vaccine)

## # A tibble: 2 × 1
##   vaccine
##   <chr>  
## 1 IPV1   
## 2 POL3

Agrupando os dados com group_by().

cobertura_vacinal %>% 
  group_by(diseases) %>% 
    distinct(vaccine)

## # A tibble: 14 × 2
## # Groups:   diseases [10]
##    diseases                     vaccine
##    <chr>                        <chr>  
##  1 Tuberculosis                 BCG    
##  2 Difteria, Tetanus, Pertussis DTP1   
##  3 DTP3                         DTP3   
##  4 Hepatitis B                  HEPB3  
##  5 Hepatitis B                  HEPBB  
##  6 Haemophilus influenzae B     HIB3   
##  7 Poliomielitis                IPV1   
##  8 Measles                      MCV1   
##  9 Measles                      MCV2   
## 10 Pneumococcus                 PCV3   
## 11 Poliomielitis                POL3   
## 12 Rotavirus                    RCV1   
## 13 Rotavirus                    ROTAC  
## 14 Yellow fever                 YFV

Temos também uma forma de contar a frequência dessas linhas. Veja que há uma diferença nas observações/linhas por região, sendo a região da américa latina a que mais contém observações, e a região do sul-asiático a que tem menos.

Além disso, a região “Non-programme” inclui países que não estão nos programas de assistência da ONU/OMS, como a Estônia e o Qatar, entretanto não há uma explicação completa em nenhuma das fontes que consultei. É importante incluir esses dados, ainda que não contribuam muito para nossas conclusões.

No caso de “Global”, esses dados se referem à cobertura vacinal do conjunto de todos os países para cada vacina (n = 14), e por isso tem n = 441.

#Tabela de frequências
cobertura_vacinal %>% 
  tabyl(region_complete)

##               region_complete     n    percent
##         East Asia and Pacific  9864 0.15480955
##   Eastern and Southern Africa  6802 0.10675330
##       Europe and Central Asia  6275 0.09848235
##                        Global   441 0.00692123
##   Latin America and Caribbean 11780 0.18488002
##  Middle East and North Africa  7100 0.11143023
##                 Non-programme 11405 0.17899462
##                    South Asia  2803 0.04399140
##       West and Central Africa  7247 0.11373731

Dados faltantes

Valores NA (Not Available) podem surgir por diversos motivos, como erros de coleta de dados, falhas em dispositivos de medição, ou simplesmente porque a informação não está disponível.

Use a função skim() e faça um diagnóstico da tabela. Existem dados faltantes? Por que existem e onde estão?

# Dados faltantes ----
skim(cobertura_vacinal)

Data summary
Name	cobertura_vacinal
Number of rows	63717
Number of columns	10
_______________________
Column type frequency:
character	8
numeric	2
________________________
Group variables	None

Variable type: character

skim_variable	complete_rate	min	max	n_unique
type	1	6	7	2
name	1	4	37	204
country_abrev	1	3	13	204
continent	1	4	28	9
region	1	4	13	9
region_complete	1	6	28	9
vaccine	1	3	5	14
diseases	1	4	28	10

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
year	0	1	2005.74	11.61	1980	1997	2008	2016	2022	▂▃▅▆▇
coverage	0	1	81.46	22.10	0	75	90	97	99	▁▁▁▂▇

# Como são essas linhas?
cobertura_vacinal %>% 
  filter(!complete.cases(.))

## # A tibble: 0 × 10
## # ℹ 10 variables: type <chr>, name <chr>, country_abrev <chr>, continent <chr>,
## #   region <chr>, region_complete <chr>, year <dbl>, vaccine <chr>,
## #   coverage <dbl>, diseases <chr>

Observe que somente há dados faltantes na coluna coverage. Isso acontece porque, apesar de uma vacina ter sido incorporada a programas de vacinação nacionais, isso não ocorreu ao mesmo tempo com todos os países. Dessa forma, podemos excluir essas linhas, mas não substituir os NAs por 0, porque isso significaria que a vacina estava disponível e ninguém foi vacinado.

Estatísticas descritivas

Abaixo, queremos obter o resumo dos dados de cada país na região da América latina. Como a tabela tem linhas com dados faltantes, algumas operações podem confundir os resultados. Por isso, usamos a função drop_na() na coluna onde temos mais NAs.

#Retirando os NAs
cobertura_vacinal = cobertura_vacinal %>% 
  drop_na(coverage)

#Sobraram linhas com NAs?
cobertura_vacinal %>% 
  filter(!complete.cases(.))

## # A tibble: 0 × 10
## # ℹ 10 variables: type <chr>, name <chr>, country_abrev <chr>, continent <chr>,
## #   region <chr>, region_complete <chr>, year <dbl>, vaccine <chr>,
## #   coverage <dbl>, diseases <chr>

Além disso, queremos filtrar somente os dados dos países latinoamericanos entre os anos 2000 e 2023. Para isso, usamos o between() dentro da função filter(), e especificamos que queremos o type == "country", pois também temos dados da região como um todo.

Como não queremos trabalhar com os nomes completos das regiões, podemos ser menos específicos. Por exemplo, se sabemos que existe a região “Latin America and Caribbean Region (LACR)”, podemos somente usar uma função que pega um pedaço do nome completo e nos retorna aquela linha. Isso é feito com o str_detect().

Para calcularmos as estatísticas gerais com summarize, precisamos agrupar os dados com group_by(). Isso porque temos dados da cobertura vacinal por país em 23 anos e para mais de uma vacina. Dessa forma, agruparemos por país (name) e vacina (vaccine). Ao final, vamos desagrupar esses dados.

As tabelas produzidas a seguir serão utilizadas para trabalharmos a visualização dos dados!

Siga o tutorial, mas já comece a testar com outros países, regiões, vacinas, doenças e anos!

Por país

Veja quais são os países da américa latina que mais vacinaram ao longo de 2000 a 2023, por vacina.

latin_2000_2023 = cobertura_vacinal %>% 
  
  #Missing values: Aqui, é importante retirá-los para não repetir linhas
  
  drop_na(coverage) %>% 
   
  #Filtrando os dados no intervalo e
  filter(between(year, 2000, 2022),
         str_detect(region_complete, "Latin"),
         type == "country") %>% 
  
  #Agrupar por vacina e país
  group_by(vaccine, name) %>% 
  
  #Resumir estatísticas
  # Estatísticas da cobertura vacinal para cada país em um continente
  # Média, mediana, mínimo e máximo de uma variável numérica
  summarise(
    mean = mean(coverage),
    median = median(coverage),
    max = max(coverage),
    min = min(coverage),
    sd = sd(coverage),
    var = var(coverage)
  ) %>% 
  
  #Ordenar continentes pela mediana de forma decrescente 
  arrange(vaccine, desc(mean)) %>% 
  
  #Desagrupar
  ungroup()

## `summarise()` has grouped output by 'vaccine'. You can override using the
## `.groups` argument.

latin_2000_2023

## # A tibble: 402 × 8
##    vaccine name                   mean median   max   min    sd    var
##    <chr>   <chr>                 <dbl>  <dbl> <dbl> <dbl> <dbl>  <dbl>
##  1 BCG     Cuba                   99       99    99    99 0      0    
##  2 BCG     Uruguay                98.7     99    99    97 0.559  0.312
##  3 BCG     Panama                 98.6     99    99    95 0.941  0.885
##  4 BCG     Dominica               97.2     98    99    89 2.81   7.88 
##  5 BCG     Dominican Republic     96.5     98    99    85 3.65  13.4  
##  6 BCG     Guyana                 96.2     97    99    90 2.56   6.54 
##  7 BCG     Saint Kitts and Nevis  96.2     97    99    89 2.84   8.09 
##  8 BCG     Chile                  96.1     96    99    91 2.28   5.21 
##  9 BCG     Nicaragua              96       99    99    86 4.35  18.9  
## 10 BCG     Belize                 95.5     98    99    76 5.55  30.8  
## # ℹ 392 more rows

Por continente

Veja quais são os continentes que mais vacinaram ao longo de 2000 a 2023, por vacina.

Algumas modificações foram feitas na tabela original. Observe que os valores para “Other” incluem países que não foram identificados corretamente, sendo o motivo principal o nome utilizado e processos históricos, como divisão do país e mudança de nome. Como esses países podem ser interessantes para as análises posteriores, eles continuaram na tabela.

# Cobertura vacinal: Estatísticas de cada continente
continentes_vac = cobertura_vacinal %>% 
  
  drop_na(coverage,
          continent) %>% 
  
  filter(between(year, 2000, 2023),
         type == "country") %>% 
  
  group_by(vaccine, continent) %>% 
  
  summarise(
    mean = mean(coverage),
    median = median(coverage),
    max = max(coverage),
    min = min(coverage),
    sd = sd(coverage),
    var = var(coverage)
  ) %>% 
  
  #Ordenar continentes pela mediana de forma decrescente 
  arrange(vaccine, desc(mean)) %>% 
  
  ungroup()

## `summarise()` has grouped output by 'vaccine'. You can override using the
## `.groups` argument.

#Visualizar
continentes_vac

## # A tibble: 68 × 8
##    vaccine continent  mean median   max   min    sd   var
##    <chr>   <chr>     <dbl>  <dbl> <dbl> <dbl> <dbl> <dbl>
##  1 BCG     Americas   93.8     96    99    28  7.15  51.2
##  2 BCG     Asia       92.4     97    99     0 10.4  108. 
##  3 BCG     Oceania    90.6     95    99    24 11.8  139. 
##  4 BCG     Europe     89.7     97    99    16 18.7  350. 
##  5 BCG     Africa     85.7     91    99    26 14.5  209. 
##  6 DTP1    Europe     96.2     98    99    42  6.09  37.1
##  7 DTP1    Americas   94.4     97    99    60  5.96  35.5
##  8 DTP1    Oceania    93.0     97    99    39 10.1  101. 
##  9 DTP1    Asia       92.9     97    99    40  9.05  81.9
## 10 DTP1    Africa     85.6     91    99    35 14.1  198. 
## # ℹ 58 more rows

Mortes cumulativas

Por continente

# Mortes cumulativas
# Estatísticas de cada continente
continentes_mortes = mortes_doencas %>% 
  
  drop_na(total_deaths,
          continent) %>%
  
  filter(between(year, 2000, 2023)) %>% 
  
  group_by(death_disease, continent) %>%
  
  summarise(
    cumulativo = sum(total_deaths),
    mean = mean(total_deaths),
    median = median(total_deaths),
    max = max(total_deaths),
    min = min(total_deaths),
    sd = sd(total_deaths),
    var = var(total_deaths)
  ) %>% 
  
  #Aqui, queremos os países com maior número de mortes
  arrange(death_disease, - cumulativo) %>% 
  
  
  ungroup()

## `summarise()` has grouped output by 'death_disease'. You can override using the
## `.groups` argument.

continentes_mortes

## # A tibble: 45 × 9
##    death_disease continent cumulativo    mean median   max   min      sd     var
##    <chr>         <chr>          <dbl>   <dbl>  <dbl> <dbl> <dbl>   <dbl>   <dbl>
##  1 Diphteria     Asia             857 1.97e+0      0    56     0 6.35e+0 4.03e+1
##  2 Diphteria     Americas         190 3.14e-1      0    24     0 1.53e+0 2.35e+0
##  3 Diphteria     Europe           102 1.38e-1      0    11     0 7.62e-1 5.81e-1
##  4 Diphteria     Africa            27 3.25e-1      0     3     0 7.00e-1 4.90e-1
##  5 Diphteria     Oceania            4 8   e-2      0     1     0 2.74e-1 7.51e-2
##  6 Hepatitis B   Africa        107978 1.30e+3      4  7771     0 2.39e+3 5.72e+6
##  7 Hepatitis B   Asia           96626 2.22e+2     32  2262     0 3.86e+2 1.49e+5
##  8 Hepatitis B   Americas       38283 6.33e+1      7   942     0 1.60e+2 2.57e+4
##  9 Hepatitis B   Europe         36257 4.92e+1     10  1948     0 1.28e+2 1.63e+4
## 10 Hepatitis B   Oceania          832 1.66e+1     12    55     1 1.34e+1 1.80e+2
## # ℹ 35 more rows

Por país

# Mortes cumulativas
# Estatísticas de cada país
paises_mortes = mortes_doencas %>% 
  drop_na(total_deaths,
          name) %>% 
  filter(between(year, 2000, 2023)) %>% 
  group_by(death_disease, name) %>% 
  summarise(
    cumulativo = sum(total_deaths),
    mean = mean(total_deaths),
    median = median(total_deaths),
    max = max(total_deaths),
    min = min(total_deaths),
    sd = sd(total_deaths),
    var = var(total_deaths)
  ) %>% 
  arrange(death_disease, desc(cumulativo)) %>% 
  ungroup()

## `summarise()` has grouped output by 'death_disease'. You can override using the
## `.groups` argument.

paises_mortes

## # A tibble: 963 × 9
##    death_disease name         cumulativo  mean median   max   min     sd     var
##    <chr>         <chr>             <dbl> <dbl>  <dbl> <dbl> <dbl>  <dbl>   <dbl>
##  1 Diphteria     Philippines         325 21.7      23    31     7  6.49   42.1  
##  2 Diphteria     Russian Fed…        253 12.6       1    56     0 18.1   327.   
##  3 Diphteria     Thailand            121  6.37      6    13     2  3.00    9.02 
##  4 Diphteria     Brazil               84  4         4    11     0  3.11    9.7  
##  5 Diphteria     Iraq                 47 15.7      13    23    11  6.43   41.3  
##  6 Diphteria     Latvia               43  1.95      1    11     0  2.97    8.81 
##  7 Diphteria     Dominican R…         38  2         1     9     0  2.71    7.33 
##  8 Diphteria     Syrian Arab…         29  2.64      3     5     0  1.69    2.85 
##  9 Diphteria     Venezuela (…         24  1.41      0    24     0  5.82   33.9  
## 10 Diphteria     South Africa         23  1.21      1     3     0  0.976   0.953
## # ℹ 953 more rows

6. Visualização

Vacinação

Gráfico de pontos simples

Por continente

#Gráfico de pontos simples
continentes_pontos_vac = continentes_vac %>% #Dataframe
  filter(vaccine %in% "MCV1") %>%
  mutate(continent = fct_reorder(continent, median)) %>% 
  
  #Chamando a função. Aqui se usa "+" em vez de "%>%"
  ggplot() +  
  
  #Mapeando os eixos
  aes(x = median,
      y = continent,
      color = continent) +
  
  #Geometrias
  geom_point() +
  
  #Labels nos pontos
  geom_label(aes(x = median, 
                y = continent, 
                label = median)) +
  
  #Tema
  theme_light() +
  
  #Títulos
  labs(title = "Cobertura vacinal",
       x = "Mediana (Cobertura vacinal %)",
       y = "Continentes") 

continentes_pontos_vac

Por país

#Gráfico de pontos simples
pontos = latin_2000_2023 %>% #Dataframe
  filter(vaccine %in% "MCV1") %>%
  mutate(name = fct_reorder(name, median)) %>% 

  ggplot() + #Chamando a função. Aqui se usa "+" em vez de "%>%" 
  
  #Mapeando os eixos
  aes(x = median,
      y = name,
      color = median) +
  
  #Geometrias
  geom_point() +
  
  geom_text(aes(x = median, #Use geom_label para visualizar melhor
                y = name, 
                label = median),
            hjust = -0.5) +
  
  #Tema
  theme_light() +
  
  #Labels
  labs(title = "Cobertura vacinal",
       x = "Mediana (Cobertura vacinal%)",
       y = "Países") +
  
  #Limites
  xlim(60, 105)

pontos

Gráfico de barras

Por continente

#Gráfico de barras simples
continente_barras_vac = continentes_vac %>% #Dataframe
  filter(vaccine %in% "MCV1") %>%
  mutate(continent = fct_reorder(continent, median)) %>% 
  ggplot() + #Chamando a função. Aqui se usa "+" em vez de "%>%" 
  
  #Mapeando os eixos
  aes(x = median,
      y = continent,
      fill = continent) +
  
  #Geometrias
  geom_col() +
  
  geom_text(aes(x = median, 
                y = continent, 
                label = median),
            hjust = -0.5) +
  
  #Tema
  theme_light() +
  
  #Labels
  labs(title = "Cobertura vacinal",
       x = "Mediana (Cobertura vacinal %)",
       y = "Continentes",
       fill = "Continente")  +
  
  #Limites
  xlim(0, 105)

continente_barras_vac

Por país

#Gráfico de barras simples
pais_barras_vac = latin_2000_2023 %>% #Dataframe
  filter(vaccine %in% "MCV1") %>%
  mutate(name = fct_reorder(name, median)) %>% 
  ggplot() + #Chamando a função. Aqui se usa "+" em vez de "%>%" 
  
  #Mapeando os eixos
  aes(x = median,
      y = name,
      fill = median) +
  
  #Geometrias
  geom_col() +
  
  geom_text(aes(x = median, 
                y = name, 
                label = median),
            hjust = -0.5,
            size = 2.5) +
  
  #Tema
  theme_light() +
  
  #Labels
  labs(title = "Cobertura vacinal contra o sarampo",
       subtitle = "Países, entre 2000 e 2023",
       x = "Mediana (Cobertura vacinal%)",
       y = "Países",
       fill = "Mediana") +
  
  xlim(0, 105)

pais_barras_vac

Mortes

Por continente

#Gráfico de pontos simples
barras_mortes = continentes_mortes %>% #Dataframe
  filter(death_disease == "Measles") %>% 
  mutate(cobertura_vacinal = fct_reorder(continent, cumulativo)) %>% 
  ggplot() + #Chamando a função. Aqui se usa "+" em vez de "%>%" 
  
  #Mapeando os eixos
  aes(x = cumulativo,
      y = cobertura_vacinal,
      fill = cobertura_vacinal) +
  
  #Geometrias
  geom_col() +
  
  geom_label(aes(x = cumulativo, 
                y = cobertura_vacinal, 
                label = cumulativo),
            hjust = -0.2) +
  
  #Tema
  theme_light() +
  
  #Labels
  labs(title = "Mortes cumulativas por Sarampo, de 2000 a 2023",
       x = "Mortes",
       y = "Continentes") +
  
  #Eixo x
  xlim(0, 10000) #Aumentar limites 
  
barras_mortes

De acordo com o gráfico, o continente asiático contribuiu para 84% das mortes por sarampo, em 23 anos. Mas, a doença foi endêmica no continente todo ou somente em alguns países?

#Gráfico de barras simples
paises_barras_mortes = paises_mortes %>% #Dataframe
  filter(death_disease == "Measles") %>% 
  mutate(name = fct_reorder(name, cumulativo)) %>% 
  slice_max(order_by = cumulativo, n = 10) %>% 
  ggplot() + #Chamando a função. Aqui se usa "+" em vez de "%>%" 
  
  #Mapeando os eixos
  aes(x = cumulativo,
      y = name,
      fill = name) +
  
  #Geometrias
  geom_col() +
  
  geom_label(aes(x = cumulativo, 
                y = name, 
                label = cumulativo),
            hjust = -0.2) +
  
  #Tema
  theme_light() +
  
  #Labels
  labs(title = "Mortes cumulativas por Sarampo, de 2000 a 2023",
       x = "Mortes",
       y = "Países") +
  
  #Eixo x
  xlim(0, 10000) #Aumentar limites 
  
paises_barras_mortes

As Filipinas foi o país que mais contribuiu para 80% das mortes no mundo todo. Na Ásia, o Japão, Mongólia e Tailândia também registraram muitas mortes pela doença, o que poderia indicar que a doença se espalhou entre esses países ou isso ocorreu em tempos diferentes. Interessante, não? Para explorar mais, considere os gráficos que faremos a seguir com outros exemplos.

#Visualização rápida
# latin_2000_2023 %>%
#    esquisser()

Melhorando o gráfico

Chegamos a um gráfico interessante. Por isso, copiamos e colamos o código aqui, para permitir que façamos outras modificações no gráfico.

Nele, queremos filtrar a cobertura vacinal contra o sarampo nos países da américa latina e identificar aqueles países que apresentem cobertura vacinal maior ou igual a 95%. Caso o país tenha cobertura menor, ele será marcado de vermelho. Para isso, usamos o gghighlight()

# Melhorando o gráfico -----

plot = 
  
  # Manipular tabela
  latin_2000_2023 %>%
  filter(vaccine %in% "MCV1") %>%
  mutate(name = fct_reorder(name, median)) %>% 
 
  #Criar base do gráfico
  ggplot() +
  aes(x = median, y = name, colour = median) + #Aesthetics (mapping)
  
  #Geometria
  geom_point(shape = "circle", 
             size = 1) +
  #Highlight (add sempre após geom_)
  gghighlight(median >= 95, #Filtragem
              label_key = name, #Nome do label
              label_params = list(size = 3), #Tamanho da fonte
              unhighlighted_params = list(colour = "red")) +
  
  #Marcações
  #Add Linha vertical
  geom_vline(xintercept = 95,
             colour = "black",
             linewidth =0.2,
             linetype = 2) +
  
  #Tema, aparência
  theme_light() + 
  
  # Labels, titulo, subtitulo, titulo dos eixos
    
  labs(title = "Vacinação em países da América Latina",
     subtitle = "Sarampo, MCV1, Dose 1, entre 2000 e 2023",
     y = "Países",
     x = "Mediana (Cobertura %)",
     tag = "Figure A.",
     colour = "Cobertura vacinal",
     caption = "Fonte: Feito pela UPVacina") +
  
  # Aparência especifica
  theme(
    
    #Texto geral
    text = element_text(family = "sans",  #sans, mono, serif
                        color = "black"), 
    
    #Título, subtítulo e tag
    plot.title = element_text(size = 12, 
                              face = "bold", 
                              hjust = 0,
                              vjust = 0.5),
    plot.subtitle = element_text(size = 10),
    plot.tag.position = "topleft",
    plot.tag = element_text(vjust = 5,
                            size = 12, 
                            face = "bold"),
    
    #Legenda
    legend.title = element_text(face = "bold"),
    legend.text = element_text(size = 10),
    
    #Eixos
    axis.title.x = element_text(size = 10,
                                angle = 0,
                                color = "black"),
    axis.text.x = element_text(color = "black",
                               size = 8,
                               angle = 0),
    axis.text.y = element_text(size = 8,
                               color = "black"),
    
    #Margens do gráfico
    plot.margin = unit(c(0.5, #Top
                         1, #Right
                         0.5, #Bottom
                         0), #Left 
                       "cm") #Unidade) 
  ) 

#Visualizar
plot

#Salvar
ggsave(plot, file = "Sarampo_LatinAmerica_2000_2023.png", width = 10, height = 5)

Gráfico interativo

plot %>% 
  ggplotly()

Unindo gráficos

#Unindo gráficos -----
vaccination = cobertura_vacinal %>% 
  filter(name == "Brazil",
         vaccine == "MCV1") %>% 
    ggplot() +
  geom_line(mapping = aes(
    x = year,
    y = coverage),
    colour = "#4DBBD5B2",
    linewidth = 2) +
    geom_text(aes(x = year, 
                  y = coverage, 
                  label = coverage),
            vjust = -0.5,
            size = 2) +
    theme_minimal() +
  labs(title = "Cobertura vacinal contra o sarampo, Brasil",
       x = "Ano",
       y = "Cobertura vacinal (%)") +
   ylim(0, 110)

vaccination

#Mortes
deaths = mortes_doencas %>% 
  filter(name == "Brazil",
         death_disease == "Measles") %>% 
    ggplot() +
  aes(x = year, y = total_deaths) +
  geom_col(fill = "#DC0000B2") +
  geom_text(aes(label = total_deaths),
            vjust = -0.5,
            size = 2) +
  theme_minimal() +
  theme(text = element_text(size = 10)) +
    labs(title = "Mortes por sarampo, Brasil",
       x = "Ano",
       y = "Mortes") +
   ylim(0, 3400)

deaths

Unindo gráficos em uma imagem

#Unir gráficos
(vaccination / deaths)

(vaccination + deaths)

#Salvar
(vaccination / deaths) %>% 
  ggsave(file = "Sarampo_Brasil_1980_2023.png", width = 10, height = 5)

Boxplots

#Boxplot simples por ano
boxplot_years = cobertura_vacinal %>% 
  filter(type == "country",
         vaccine == "MCV1",
         year %in% c(1990, 2000, 2010, 2019)) %>% 
  
  
 ggplot() +
  aes(x = "", 
      y = coverage, 
      fill = continent) +
  geom_boxplot() +
  scale_fill_brewer(palette = "Set2", direction = 1) +
  theme_bw() + 
  theme(axis.text.x = element_text(angle = 45,
                                   vjust = 1,
                                   hjust = 1),
        plot.margin = unit(c(1, 1, 1, 1), "cm"),
        legend.position = "right") +
  
  facet_wrap(vars(year), ncol = 4) +
  
  labs(title = "Cobertura vacinal contra o sarampo",
       subtitle = "Primeira dose (MCV1)",
      x = "Continente",
       y = "Cobertura vacinal (%)",
       fill = "Continente")

#Visualizar
boxplot_years

Paleta de cores científica

# Cores
#Mudando a paleta
library(ggsci)
library(scales)
vignette("ggsci") 

nrc = pal_npg("nrc", #Especificar paleta
              alpha = 0.7)(8) #Gerar 8 cores com transparencia = 70%
nrc %>% 
  show_col()

boxplot_years + 
  scale_fill_npg()

#Boxplot simples de ano
boxplot_regions = cobertura_vacinal %>% 
  filter(type == "country",
         vaccine == "MCV1",
         year %in% c(1990, 2000, 2010, 2020)) %>% 
  mutate(year = as.factor(year)) %>% 
 ggplot() +
  aes(x = year, y = coverage, fill = year) +
  geom_boxplot(outlier.shape = NA) +
  geom_jitter(aes(label = name),
              alpha = 0.2,
              na.rm = T) +
  scale_fill_brewer(palette = "Set2", direction = 1) +
  scale_color_distiller(palette = "Set2", direction = 1) +
  theme_minimal() +
  facet_wrap(vars(continent)) +
  scale_fill_npg()

boxplot_regions

# Gráfico interativo
boxplot_regions %>%  
  ggplotly()

#Boxplot por vacina
cobertura_vacinal %>% 
  filter(type == "country",
         year == 2015) %>% 
 ggplot() +
  aes(x = "", y = coverage, fill = continent) +
  geom_boxplot() +
  scale_fill_viridis_d(option = "plasma", direction = 1) +
  theme_minimal() +
  facet_wrap(vars(vaccine)) +
  labs(x = "Continentes",
       y = "Cobertura",
       titulo = "Cobertura vacinal por região, em 2000") +
  scale_fill_npg()

Múltiplos gráficos

# Múltiplos gráficos ----
#Todas as linhas
cobertura_vacinal %>%
 filter(year >= 2012 & year <= 2022) %>%
 filter(region %in% "LACR") %>%
 ggplot() +
  aes(x = year, y = coverage, color = name) +
  geom_line() +
  theme_minimal() + 
  facet_wrap(vars(vaccine), scales = "free_x")

#Fica muito poluído

Isolando linhas com filter()

#Highlight linhas específicas

#Método 1
br_cov = cobertura_vacinal %>%
 filter(year >= 2012 & year <= 2022,
        name %in% c("Brazil", "Colombia")) %>%
 ggplot() +
  aes(x = year, 
      y = coverage,
      colour = name) +
  
  geom_line(linewidth = 2) +

  theme_minimal() +
  
  facet_wrap(vars(vaccine)) + 
  
  labs(title = "Cobertura vacinal, por vacina",
       x = "Ano",
       y = "Cobertura (%)")  +
  
  scale_color_npg() 

br_cov

Isolando linhas com gghighlight()

A gghighlight() é uma função do pacote com o mesmo nome que permite destacar linhas, pontos e colunas de interesse, sem precisar filtrar antes, como fizemos acima. O interessante é que, ao chamarmos a função aqui, podemos ainda ver as linhas dos outros países, embora transparentes, para comparação.

#Método 2
br_cov = cobertura_vacinal %>%
 filter(year >= 2012 & year <= 2022,
        region %in% c("LACR")) %>%
 ggplot() +
  
  geom_line(aes(x = year, 
      y = coverage,
      colour = name),
      linewidth = 2) +

  theme_minimal() +
  
  theme(axis.text.x = element_text(angle = 90)) +
  
  facet_wrap(vars(vaccine)) + 
  
  labs(title = "Cobertura vacinal, por vacina",
       x = "Ano",
       y = "Cobertura (%)") +
  
  gghighlight(name %in% c("Brazil", "Colombia"), 
              calculate_per_facet = T, #Add quando tiver facets. Caso seja um gráfico somente, use calculate_per_facet = F
              unhighlighted_params = list(linewidth = 1, #Parametros para as outras linhas
                                          colour = "gray90", #Cor cinza
                                          alpha = 0.3)) + #Transparencia de 30%
  scale_color_npg() 

br_cov

#Mortes
br_mortes = mortes_doencas %>%
 filter(year >= 2012 & year <= 2022,
        region_complete == "Latin America and Caribbean") %>% 
  select(name, year, total_deaths, death_rate_100thousand, death_disease) %>% 
  distinct() %>%
  drop_na(total_deaths) %>% 
 ggplot() +
  geom_line(aes(x = round(year, 0), 
      y = total_deaths,
      colour = name),
      linewidth = 2) +

  theme_minimal() +
  
  theme(axis.text.x = element_text(angle = 90))+
  
  facet_wrap(vars(death_disease), 
             scales = "free", 
             nrow = 3) + 
  
  labs(title = "Mortes por doença imunoprevenível",
       x = "Ano",
       y = "Mortes") +
  
  #highlight
  gghighlight(name %in% c("Brazil", "Colombia"), #Linhas somente com name == "Brazil'
              
              calculate_per_facet = T, #Add quando tiver facets
              
              unhighlighted_params = list(linewidth = 1, #Opções para linhas não marcadas
                                          colour = "gray90", 
                                          alpha = 0.5)) + 
  scale_color_npg()

## Warning: Tried to calculate with group_by(), but the calculation failed.
## Falling back to ungrouped filter operation...

## label_key: name

br_mortes

Estes dados são interessantes, porque não há casos e mortes registradas por polio no Brasil e nas Américas desde 1989, quando a doença foi eliminada no continente. Além disso, não há registro algum nos sites da OMS e da UNICEF que citem esses números, além da base de dados original (WHO Mortality database). Provavelmente, é um erro de registro. Essa observação é interessante para ficarmos atentos à qualidade e coerência dos dados. Por isso, vamos retirar os dados de mortes por polio.

#Mortes
br_mortes = mortes_doencas %>%
 filter(year >= 2012 & year <= 2022,
        region_complete == "Latin America and Caribbean",
        death_disease != "Poliomyelitis") %>% 
  select(name, year, total_deaths, death_rate_100thousand, death_disease) %>% 
  distinct() %>%
  drop_na(total_deaths) %>% 
 ggplot() +
  geom_line(aes(x = round(year, 0), 
      y = total_deaths,
      colour = name),
      linewidth = 2) +

  theme_minimal() +
  
  theme(axis.text.x = element_text(angle = 90))+
  
  facet_wrap(vars(death_disease), 
             scales = "free", 
             nrow = 3) + 
  
  labs(title = "Mortes por doença imunoprevenível",
       x = "Ano",
       y = "Mortes") +
  
  #highlight
  gghighlight(name %in% c("Brazil", "Colombia"), #Linhas somente com name == "Brazil'
              
              calculate_per_facet = T, #Add quando tiver facets
              
              unhighlighted_params = list(linewidth = 1, #Opções para linhas não marcadas
                                          colour = "gray90", 
                                          alpha = 0.5)) + 
  scale_color_npg()

## Warning: Tried to calculate with group_by(), but the calculation failed.
## Falling back to ungrouped filter operation...

## label_key: name

br_mortes

E vamos unir esses gráficos

# Unir gráficos
patch = br_cov + br_mortes
patch

#Salvar
ggsave(patch, 
       file = "br_cov_mortes.png",
       width = 15, #Largura
       height = 10) #Altura

Agora é a sua vez!

Faça gráficos analisando continentes, países, doenças e vacinas diferentes. Para isso, é só trocar os nomes nas funções dos gráficos. Por exemplo, onde estiver “Brazil”, coloque “Canada” ou “India”, etc. Da mesma forma, onde estiver o nome de uma vacina ou doença, troque pelos temas do seu interesse. Para selecionar os países, não há critério definido, então você poderá ir pela sua curiosidade ou por meio dos gráficos já apresentados, como o boxplot interativo.

Recomendações

Ao fazer a parte prática com suas análises, faça no mesmo documento. Se estiver muito complicado, mande mensagem no grupo do Whatsapp ou envie um e-mail. A prática deve ser fácil e descomplicada.
Lembre-se de criar blocos de códigos abaixo dos blocos de códigos de exemplos do tutorial. Também, descreva os gráficos e códigos no espaço em branco, ou seja, fora do bloco de código. Isso garantirá que seu documento estará organizado e fácil de alterar.

Por exemplo:

#Código exemplo
#...

“Meu código… Gráfico do tipo A dos países XYZ.”

#Seu código
#...

Alguns exemplos de perguntas que você pode se fazer:

Quem:
- Quais são os países que menos vacinaram em cada continente?
- Quais são os países que mais vacinaram em cada continente?
- Quais são os países que mais tiveram mortes por uma doença X? A difteria aparentemente teve um surto em algum país latinoamericano a partir de 2016. Qual é este país e por que isso ocorreu? Será que é a baixa cobertura vacinal?
Quando:
- Será que a cobertura vacinal ou o número de mortes sempre foi assim (alto ou baixo) ou é algo recente dos últimos 5 a 10 anos?
- Será que a pandemia afetou a vacinação contra outras doenças?
- Ou a cobertura vacinal já estava caindo antes mesmo da pandemia?
Comparações:
- Qual seria a média de vacinação contra uma doença x para o continente y e onde seus países de escolha estão? (Dica: use group_by() e summarize()).

Alguns conselhos:

Explore e leia os códigos do tutorial atentamente. Tente entender o que cada linha de código faz.
Pense quais variáveis você quer analisar:
- É uma variável numérica ou categórica?
- O gráfico que você quer analisar combina duas variáveis numéricas (anos e cobertura vacinal) ou uma variável categórica (países) e outra numérica (cobertura vacinal)?
- A variável numérica é temporal? Por exemplo, você vai usar uma série temporal (2010, 2011, 2012…) ou somente a média de um período (2010 a 2020)?
  - Caso use todos os anos em uma série temporal, recomendo usar um gráfico de linhas, onde o eixo x representa os anos e o eixo y, a cobertura vacinal ou numero de mortes.
  - Agora, caso analise as médias ou medianas de um período, um gráfico de colunas é recomendado, onde o eixo x é um ano e o y, o número de mortes ou cobertura vacinal.
- Para entender melhor os tipos de gráficos que você pode utilizar, entre no Data to viz. Ele te guiará como seguir a partir das variáveis que você está trabalhando.
- Caso queira gerar outros tipos de gráficos, use diferentes geometrias e consulte o (R graph gallery)[https://r-graph-gallery.com/].
Use o esquisse sempre para facilitar as análises iniciais. Os códigos podem ser complicados à primeira vista, mas o esquisse está aí para auxiliar nesse primeiro contato.
Use o ChatGPT. O ChatGPT é uma ferramenta extremamente útil para a sua evolução na programação e você precisa aprender a usá-lo e a fazer perguntas corretas. 80% das vezes ele dá respostas perfeitas. Você pode usá-lo para explicar, consertar e criar códigos!
- Copie e cole um bloco de código e peça para ele explicar cada linha e função.
- Deu algum erro no código? Manda pra ele também o código e o erro que aparece no console.
- Quer fazer algo específico e pontual no código? Manda pro ChatGPT!
Envie suas dúvidas no grupo de Whatsapp. Caso seja necessário, marque uma monitoria gratuita comigo.

7. Extra: Analisando distribuições e uma pincelada de estatística

Em um conjunto de dados que registra a cobertura vacinal ao longo do tempo para diferentes países, é comum encontrar registros ausentes (e NAs) para determinados países em determinados anos. Isso pode ser devido a vários motivos, como a introdução tardia de determinadas vacinas em alguns países ou a falta de disponibilidade de dados.

Para investigar se há algum padrão na frequência de países que registram a cobertura vacinal ao longo dos anos, podemos criar um gráfico que represente essa frequência. Uma abordagem interessante é agrupar os países por região da OMS e observar se há um aumento na quantidade de países que começaram a registrar a cobertura vacinal ao longo do tempo.

É importante ressaltar que estamos avaliando a frequência de países que registram a cobertura vacinal por ano e não a qualidade da cobertura vacinal em si.

Quantos países por região da OMS registraram os dados na UNICEF?

Observa-se que algumas vacinas, como BCG, DTP1, DTP3, POL3 e MCV1, já apresentam registros desde o ano de 1980, com a participação de muitos países. Isso ocorre devido ao fato de que essas vacinas já faziam parte do calendário de imunização de diversos países. No entanto, é importante ressaltar que nem todos os países podem ter reportado sua cobertura vacinal à OMS nesse período, ou até mesmo podem não ter implementado a vacinação.

Por outro lado, algumas vacinas, como IPV1 e MCV2, começaram a ser registradas após o ano 2000, mas já contam com a participação de muitos países nos registros. Isso se deve ao fato de que essas vacinas estavam disponíveis muito antes do início dos registros, evidenciando sua ampla adoção em diferentes países.

Além disso, é possível observar que algumas vacinas começaram a ser registradas de forma gradual ao longo do tempo, como HEPBB, HEPB3, PCV3, HIB3 e ROTAC. Esse padrão faz sentido, uma vez que essas vacinas foram desenvolvidas mais recentemente em comparação com as mencionadas anteriormente.

Um caso interessante é o da vacina contra febre amarela (YFV), que existe desde a década de 1930. Surpreendentemente, sua cobertura vacinal apresenta um comportamento semelhante ao das vacinas introduzidas mais recentemente. Além disso, é importante observar que nem todas as regiões registram essa vacina, sendo mais concentrada em áreas tropicais onde a doença é endêmica.

Essas observações mostram a complexidade e a heterogeneidade na implementação e registro da cobertura vacinal em diferentes regiões e ao longo do tempo. Ainda, refletem as diferentes políticas de saúde pública e condições epidemiológicas em todo o mundo.

#Quantos países por continente registraram os dados na UNICEF?
#Todos os continentes juntos
cobertura_vacinal %>%
 filter(type == "country") %>% 
  select(coverage, year, continent, vaccine) %>% 
  mutate(continent = fct_reorder(continent, coverage)) %>% 
  drop_na(coverage) %>% 
  ggplot() +
  aes(x = year, fill = continent) +
  geom_histogram(bins = 43L) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5))+
  facet_wrap(~vaccine, scale= "free_y") +
    labs(title = "Cobertura vacinal por Continente",
       subtitle = "Diferentes vacinas",
       x = "Anos",
       y = "",
       fill = "Continente") +
  scale_fill_npg()

Qualidade da cobertura vacinal: Os países aumentaram sua cobertura vacinal ao longo das décadas?

Para visualizar a distribuição de dados em diferentes grupos, como regiões, podemos recorrer a um tipo de gráfico conhecido como ridgeline. Esses gráficos apresentam curvas de densidade sobrepostas, o que permite uma comparação direta entre as distribuições de cada grupo. Por exemplo, ao analisar a cobertura vacinal em diferentes regiões, podemos observar se os países convergem para um valor específico ou se apresentam variações significativas.

#Pacote para o gráfico de ridgelines
library(ggridges) 

cobertura_vacinal %>%
 filter(type == "country",
        year %in% c(1990,2000, 2010, 2020),
        diseases == "Measles") %>%
  mutate(continent = fct_rev(continent)) %>% 
 ggplot() +
  aes(x = coverage, y = continent, fill = fct_rev(continent)) +
   geom_density_ridges() +
  theme_few()+
  theme(plot.caption = element_text(size = 13L),
        legend.position = "none",
        axis.text.x = element_text(angle = 90),
        strip.text.y = element_text(angle = 0, 
                                    hjust = 0)) +
  facet_grid(~vaccine~year, scales = "free_y") +
  labs(title = "Cobertura vacinal por Região da OMS",
       subtitle = "Vacinas contra sarampo",
       x = "Cobertura (%)",
       y = "",
       fill = "Região da OMS") +
  scale_fill_npg()

Quando todos os países de uma região têm valores semelhantes, a curva de densidade apresenta um único pico agudo. Nesse caso, esse pico representa a moda,a mediana e a média da distribuição, que são medidas de centralidade. A moda é o valor mais frequente. Além disso, também identificamos a mediana, que corresponde ao valor do meio quando os dados estão ordenados, e a média, que é calculada somando todos os valores e dividindo pelo número total de observações.

No entanto, quando os países dentro de uma região apresentam coberturas vacinais diferentes, a curva de densidade tende a se achatar, indicando uma distribuição mais dispersa, e as medidas de centralidade não têm o mesmo valor.

Em alguns casos, é possível observar dois ou mais picos distintos, o que caracteriza uma distribuição bimodal ou multimodal, dependendo do número de picos identificados. Isso é importante para identificar padrões em diferentes grupos ou categorias. Observe também que a cobertura vacinal para a maioria dos países aumentou ao longo das décadas, convergindo para 90 a 100%.

Todavia, uma curva é uma suavização dessas frequências em um intervalo de valores. Usando um histograma, que nada mais é do que um gráfico de barras, podemos ver melhor essas nuances. Observe que o que foi modificado no código foram os argumentos usados na função geom_density_ridges(), com stat = "binline" e o número de bins. As bins são as discretizações de uma variável contínua, como a cobertura vacinal. Ou seja, dividimos o intervalo de 0-100% em 20. Se aumentarmos essas bins para 100, o gráfico ficará mais detalhado, mas menos informativo, mas o contrário também será verdade.

Altere os valores e veja os resultados.

#Qual a cobertura vacinal nos anos 1990 e 2019 para vacinas contra o sarampo?
cobertura_vacinal %>%
 filter(type == "country",
        year %in% c(2000, 2010, 2020),
        diseases == "Measles") %>%
  mutate(continent = fct_rev(continent)) %>% 
 ggplot() +
  aes(x = coverage, y = continent, fill = fct_rev(continent)) +
   geom_density_ridges(stat = "binline", bins = 20) +
  theme_few()+
  theme(plot.caption = element_text(size = 13L),
        legend.position = "none",
        axis.text.x = element_text(angle = 90),
        strip.text.y = element_text(angle = 0, 
                                    hjust = 0)) +
  facet_grid(~vaccine~year, scales = "free") +
  labs(title = "Cobertura vacinal por Região da OMS",
       subtitle = "Vacinas contra sarampo",
       x = "Cobertura (%)",
       y = "",
       fill = "Região da OMS") +
  scale_fill_npg()

8. Extra: Dados demográficos e economicos com o Gapminder

O gapminder é um site e um pacote que apresenta diferentes dados sobre países ao longo dos anos. O pacote do R traz uma tabela dos anos 50 até 2007, com dados sobre expectativa de vida, PIB percapita e tamanho da população. Vamos ver se a cobertura vacinal tem alguma relação com a expectativa de vida nos países.

#Manipulação
gapminder_vac = gapminder %>% 
  left_join(cobertura_vacinal %>% rename(country = name) %>% select(-continent),
            by = join_by(country, year)) 

#Plot
gapminder_vac %>% 
  filter(vaccine == "BCG") %>% 
ggplot() +
  aes(
    x = coverage,
    y = lifeExp,
  ) +
  geom_point(aes(colour = continent,
    size = pop),
    shape = "circle") +
  facet_wrap(~year)+
  theme_minimal() +
  labs(title = "Cobertura vacinal e Expectativa de vida",
       subtitle = "Vacina BCG", 
       x = "Cobertura vacinal (%)",
       y = "Expecativa de vida (anos)",
       color = "Região",
       shape = "População") +
  scale_color_npg()

Aparentemente, quando a cobertura vacinal para a BCG aumenta, a expectativa de vida também aumenta, e isso ocorre ao longo dos anos. Além disso, veja que, principalmente entre 1982 e 1992, os países seguem um comportamento bem parecido com o de uma reta na diagonal.

Em estatística, se duas variáveis se relacionam gerando formatos lineares (retas) ou não lineares (curvas), dizemos que elas estão associadas. Mas, qual a direção e força dessa associação? Bem, neste caso, se as duas aumentam juntas, dizemos que há uma correlação positiva (>0). Mas, quão positiva ela é?

Neste caso, sabemos que elas parecem seguir uma reta, mas precisamos forçar um pouco, porque elas estão dispersas. Quanto mais os pontos se agrupam e menor é a dispersão, maior é a força dessa correlação. Além disso, por mais que os pontos pareçam se agrupar em uma reta, há diferentes formas de traçá-la, com angulos diferentes. A técnica que encontra a melhor reta em um gráfico de dispersão é chamada de regressão, que no caso é linear.

No gráfico abaixo, usamos as funções geom_smooth() do ggplot2 e stat_correlation() do pacote ggpmisc para fazer a regressão linear e apresentar o coeficiente de correlação R (método de Pearson). Além disso, também calculamos o grau de dispersão dos pontos em relação à reta. Quando o R² está mais próximo de 1, menor é a dispersão em torno da reta e melhor essa reta explica o comportamento. Por exemplo, se o R for 1, a correlação é positiva e forte, e se R² for próximo de 1, podemos predizer que, a partir de um valor na variável do eixo X, o valor correspondente na variável do eixo Y será predito com alto grau de confiança.

Em estatística e em machine learning, é comum atribuir nomes diferentes aos mesmos conceitos. Por exemplo, a variável no eixo X é denominada variável independente na estatística e preditor no contexto de machine learning. Já a variável no eixo Y é referida como variável dependente na estatística, enquanto no âmbito de machine learning, é denominada variável resposta ou outcome. Entender isso é importante porque, embora não exploraremos as técnicas e conceitos de machine learning, no presente curso, você pode se perder nesses diferentes contextos.

Observe que o maior valor de R foi de 0.61 e de R², de 0.37. Somente de observar os gráficos, vemos que esses resultados corroboram com a dispersão dos países, com muitos nas extremidades dos gráficos. Neste caso, podemos dizer que, apesar de uma associação entre as variáveis, a correlação é positiva e com força intermediária. Além disso, a cobertura vacinal somente explica 37% da variação da expectativa de vida entre os países.

gapminder_vac %>% 
  filter(vaccine == "BCG") %>% 
ggplot() +
  aes(x = coverage,
    y = lifeExp) +
  geom_point(shape = "circle",
             aes(colour = continent,
                 size = pop),
             alpha = 0.2) +
  geom_smooth(method = "lm",
              color = "black",
              se = F)+
  stat_correlation(method = "pearson",
                   size = 3,
                   mapping = use_label(c("R", "R2"))) +
  facet_wrap(~year)+
  theme_minimal() +
  labs(title = "Cobertura vacinal e Expectativa de vida",
       subtitle = "Vacina BCG", 
       x = "Cobertura vacinal (%)",
       y = "Expecativa de vida (anos)",
       color = "Continente",
       shape = "População") +
  scale_color_npg()

Ao usarmos a regressão linear com todos os países, desconsideramos os agrupamentos dados pelas regiões da OMS. Afinal, cada região apresenta variabilidade entre seus países, e na média, uma região pode ter um comportamento diferente da outra. Neste caso, podemos já pensar em diversas perguntas que poderiam explicar esse comportamento regional, como aspectos geográficos, sociais e econômicos. Finalmente, podemos inferir isso fazendo uma regressão linear por região e por ano.

gapminder_vac %>% 
  filter(vaccine == "BCG") %>% 
ggplot() +
  aes(x = coverage,
    y = lifeExp,
    color = continent) +
  geom_point(shape = "circle",
             aes(colour = continent,
                 size = pop),
             alpha = 0.2) +
  geom_smooth(aes(group = continent,
                  color = continent),
              method = "lm",
              se = F)+
  stat_correlation(method = "pearson",
                   size = 2,
                   mapping = use_label(c("R", "R2", "n"))) +
  facet_wrap(~year)+
  theme_minimal() +
  labs(title = "Cobertura vacinal e Expectativa de vida",
       subtitle = "Vacina BCG", 
       x = "Cobertura vacinal (%)",
       y = "Expectaiva de vida (anos)",
       color = "Continente",
       shape = "População") +
  scale_color_npg()

Observe que, ao discriminarmos a regressão por região, a correlação ficou mais forte e com menor dispersão em torno da reta. Em outras palavras, o preditor cobertura vacinal da BCG conseguiu explicar melhor a variável resposta expectativa de vida. Isso faz muito sentido, afinal a vacinação com a BCG é uma das principais estratégias para controlar a tuberculose, uma doença bacteriana muito associada às condições socioeconômicas da população. E podemos visualizar isso também plotando as mortes por tuberculose e o PIB percapita.

#Manipulação
gapminder_mortes = gapminder %>% 
  left_join(mortes_doencas %>% rename(country = name) %>% select(-continent),
            by = join_by(country, year))


gapminder_mortes %>% 
    filter(year >= 1982,
         year <= 2007) %>% 
  filter(death_disease == "Tuberculosis") %>% 
ggplot() +
  aes(x = gdpPercap,
    y = death_rate_100thousand,
    color = continent) +
  geom_point(shape = "circle",
             aes(colour = continent,
                 size = pop),
             alpha = 0.2) +
  facet_wrap(~year, scales = "free")+
    scale_x_continuous(trans = "log10", 
                     labels = scales::unit_format(unit = "k", 
                                                  scale = 1e-3,
                                                  accuracy = 0.1)) +
  theme_minimal() +
  labs(title = "PIB per capita e Mortes por doenças imunopreveníveis",
       subtitle = "Tuberculose", 
       x = "PIB per capita",
       y = "Mortes por 100 mil habitantes",
       color = "Continente",
       shape = "População") +
  scale_color_npg()

gapminder_mortes %>% 
    filter(year >= 1982,
         year <= 2007) %>% 
  filter(death_disease == "Tuberculosis") %>% 
ggplot() +
  aes(x = gdpPercap,
    y = death_rate_100thousand_age_standardized) +
  geom_point(shape = "circle",
             aes(colour = continent,
                 size = pop),
             alpha = 0.2) +
  scale_x_continuous(trans = "log10", 
                     labels = scales::unit_format(unit = "k", 
                                                  scale = 1e-3)) +
   geom_smooth(method = "lm",
              color = "black",
              se = F) +
  stat_correlation(method = "pearson",
                   size = 2.5,
                   mapping = use_label(c("R", "R2", "n"))) + 
  facet_wrap(~year, scales = "free") +
  theme_minimal() +
  labs(title = "PIB per capita e Mortes por doenças imunopreveníveis",
       subtitle = "Tuberculose", 
       x = "PIB per capita",
       y = "Mortes (%)",
       color = "Continente",
       shape = "População") +
  scale_color_npg()

## `geom_smooth()` using formula = 'y ~ x'

gapminder_mortes %>% 
    filter(year >= 1982,
         year <= 2007) %>% 
  filter(death_disease == "Tuberculosis") %>% 
ggplot() +
  aes(x = gdpPercap,
    y = death_rate_100thousand_age_standardized,
    color = continent) +
  geom_point(shape = "circle",
             aes(colour = continent,
                 size = pop),
             alpha = 0.2) +
  facet_grid(~year~continent) +
  geom_smooth(aes(color = continent,
                  group = continent),
              method = "lm",
              se = F)+
  stat_correlation(method = "pearson",
                   size = 2,
                   inherit.aes = T,
                   mapping = use_label(c("R", "R2", "n"))) + 
  scale_x_continuous(labels = scales::unit_format(unit = "k", 
                                                  scale = 1e-3)) +
  theme_minimal() +
  labs(title = "PIB per capita e Mortes por doenças imunopreveníveis",
       subtitle = "Tuberculose", 
       x = "PIB per capita",
       y = "Mortes (%)",
       color = "Continente",
       shape = "População") +
  scale_color_npg()

## `geom_smooth()` using formula = 'y ~ x'

## Warning: Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Caused by error in `cor.test.default()`:
## ! not enough finite observations

gapminder_mortes %>% 
    filter(year >= 1982,
         year <= 2007) %>% 
  filter(death_disease == "Tuberculosis") %>%
  group_by(year) %>%
  arrange(desc(total_deaths)) %>%
  slice_head(n = 10) %>%
  ungroup()%>% 
 ggplot() +
  aes(x = total_deaths, y = fct_reorder(country, total_deaths), fill = continent) +
  geom_col() +
  theme_minimal()+
  theme(plot.caption = element_text(size = 13L),
        legend.position = "none",
        axis.text.x = element_text(angle = 90),
        strip.text.y = element_text(angle = 0, 
                                    hjust = 0)) +
  facet_wrap(~year, scales = "free") +
  labs(title = "Mortes por 100 mil habitantes, por continente",
       subtitle = "Tuberculose", 
       x = "Mortes por 100 mil habitantes",
       y = "Continente",
       color = "Continente") +
  scale_fill_npg()

gapminder_mortes %>% 
    filter(year >= 1982,
         year <= 2007) %>% 
  filter(death_disease == "Tuberculosis") %>% 
 ggplot() +
  aes(x = death_rate_100thousand_age_standardized, y = continent, fill = fct_rev(continent)) +
   geom_density_ridges() +
  theme_few()+
  theme(plot.caption = element_text(size = 13L),
        legend.position = "none",
        axis.text.x = element_text(angle = 90),
        strip.text.y = element_text(angle = 0, 
                                    hjust = 0)) +
  facet_wrap(~year, scales = "free") +
  labs(title = "Mortes por 100 mil habitantes, por continente",
       subtitle = "Tuberculose", 
       x = "Mortes por 100 mil habitantes",
       y = "Continente",
       color = "Continente") +
  scale_fill_npg()

## Picking joint bandwidth of 2.31

## Picking joint bandwidth of 1.95

## Picking joint bandwidth of 1.05

## Picking joint bandwidth of 4.7

## Picking joint bandwidth of 8.98

## Picking joint bandwidth of 10.1

CursoR - Introdução à análise de dados no R

Autor: Wasim Aluísio Prates Syed

2024-05-09

Sobre o curso

Como usar este tutorial?

Recomendações para evitar erros comuns

1. Biblioteca e pacotes

2. Operações básicas

Vetores

Obtendo ajuda com funções

Dataframes e tibbles

Estatísticas gerais da tabela

Pivotando tabelas: Long e Wide

Matrizes

Listas

Manipulação de tabelas com o R base

3. Tidyverse

add_row() e add_column(): Adicionando linhas e colunas

filter(): Filtrando linhas e usando o pipe

select(): Selecionando colunas

mutate(): Criando e realizando operações com novas variáveis

if_else e case_when(): Condições

summarize(): resumindo estatísticas

group_by: Agrupando dados

arrange(): Ordenando dados

Joins: merging/unindo tabelas

inner_join()

left_join()

anti_join()

right_join()

full_join()

Usando o pipe para fazer múltiplas operações de uma vez

4. Visualização

Visualização rápida com o Esquisse

5. Trabalhando com dados reais

Importando tabelas

Padronizando tabelas

Explorando dados

Visualizando tabelas

Dados faltantes

Estatísticas descritivas

Mortes cumulativas

6. Visualização

Vacinação

Gráfico de pontos simples

Gráfico de barras

Mortes

Melhorando o gráfico

Gráfico interativo

Unindo gráficos

Unindo gráficos em uma imagem

Boxplots

Paleta de cores científica

Múltiplos gráficos

Isolando linhas com filter()

Isolando linhas com gghighlight()

Agora é a sua vez!

7. Extra: Analisando distribuições e uma pincelada de estatística

8. Extra: Dados demográficos e economicos com o Gapminder

`add_row()` e `add_column()`: Adicionando linhas e colunas

`filter():` Filtrando linhas e usando o pipe

`select():` Selecionando colunas

`mutate():` Criando e realizando operações com novas variáveis

`if_else` e `case_when()`: Condições

`group_by`: Agrupando dados

`arrange():` Ordenando dados

Usando o `pipe` para fazer múltiplas operações de uma vez